論文の概要: Exploring Adversarial Transferability between Kolmogorov-arnold Networks

• arxiv url: http://arxiv.org/abs/2503.06276v1
• Date: Sat, 08 Mar 2025 16:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:49:08.923162
• Title: Exploring Adversarial Transferability between Kolmogorov-arnold Networks
• Title（参考訳）: Kolmogorov-Arnold ネットワーク間の逆転送可能性の探索
• Authors: Songping Wang, Xinquan Yue, Yueming Lyu, Caifeng Shan,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) はトランスフォーメーションモデルパラダイムとして登場した。 彼らの敵対的ロバスト性は、特に異なるKANアーキテクチャにおいて、未発見のままである。 本稿では,Kansの最初の転送攻撃手法であるAdvKANを提案する。
• 参考スコア（独自算出の注目度）: 13.615924349022247
• License:
• Abstract: Kolmogorov-Arnold Networks (KANs) have emerged as a transformative model paradigm, significantly impacting various fields. However, their adversarial robustness remains less underexplored, especially across different KAN architectures. To explore this critical safety issue, we conduct an analysis and find that due to overfitting to the specific basis functions of KANs, they possess poor adversarial transferability among different KANs. To tackle this challenge, we propose AdvKAN, the first transfer attack method for KANs. AdvKAN integrates two key components: 1) a Breakthrough-Defense Surrogate Model (BDSM), which employs a breakthrough-defense training strategy to mitigate overfitting to the specific structures of KANs. 2) a Global-Local Interaction (GLI) technique, which promotes sufficient interaction between adversarial gradients of hierarchical levels, further smoothing out loss surfaces of KANs. Both of them work together to enhance the strength of transfer attack among different KANs. Extensive experimental results on various KANs and datasets demonstrate the effectiveness of AdvKAN, which possesses notably superior attack capabilities and deeply reveals the vulnerabilities of KANs. Code will be released upon acceptance.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) はトランスフォーメーションモデルパラダイムとして登場し、様々な分野に大きな影響を与えた。 しかし、その敵対的ロバスト性は、特に異なるKANSAアーキテクチャにおいて、未発見のままである。 この重要な安全問題を探究するため、我々は分析を行い、カンの特定の基本機能に過度に適合しているため、異なるカン間での敵の移動性が低いことを見出した。 この課題に対処するため,我々は,Kansの最初の転送攻撃手法であるAdvKANを提案する。 AdvKANは2つの重要なコンポーネントを統合している。 1) ブロークルー・ディフェンス・サロゲート・モデル (BDSM) は, カンの特定の構造に対する過度な適合を緩和するために, ブレークスルー・ディフェンス・サロゲート・ストラテジー(BDSM) を用いている。 2)グローバル・ローカル・インタラクション (GLI) 技術は, 階層レベルの対角勾配の相互作用を十分に促進し, カンの損失面をさらに滑らかにする。 両者は協力して、異なる官人間の移動攻撃の強さを高める。 様々なkanおよびデータセットに対する大規模な実験結果から、攻撃能力に優れたAdvKANの有効性を示し、kanの脆弱性を深く明らかにしている。 コードは受理時にリリースされる。

関連論文リスト

• Low Tensor-Rank Adaptation of Kolmogorov--Arnold Networks [70.06682043272377]
  コルモゴロフ-アルノルドネットワーク(KAN)は、様々な領域における多層知覚(MLP)の代替としての可能性を示した。 微調整カンのためのローテンソルランク適応(LoTRA)を開発した。 微調整カンによる様々な偏微分方程式(PDE)を効率的に解くためのLoTRAの適用について検討する。
  論文  参考訳（メタデータ） (2025-02-10T04:57:07Z)
• Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
  WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。 本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。 本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
  論文  参考訳（メタデータ） (2025-01-16T09:38:22Z)
• Boosting Adversarial Transferability with Spatial Adversarial Alignment [30.343721474168635]
  ディープニューラルネットワークは、様々なモデルにまたがる転送可能性を示す敵の例に対して脆弱である。 本稿では,アライメント損失を利用してサロゲートモデルを微調整する手法を提案する。 ImageNet上の様々なアーキテクチャの実験では、SAAに基づくアライメントされたサロゲートモデルにより、より高い転送可能な逆の例が得られることが示されている。
  論文  参考訳（メタデータ） (2025-01-02T02:35:47Z)
• On the Convergence of (Stochastic) Gradient Descent for Kolmogorov--Arnold Networks [56.78271181959529]
  Kolmogorov--Arnold Networks (KAN) はディープラーニングコミュニティで注目されている。 実験により、勾配降下(SGD)により最適化されたカンが、ほぼゼロに近い訓練損失を達成できることが示された。
  論文  参考訳（メタデータ） (2024-10-10T15:34:10Z)
• On the Robustness of Kolmogorov-Arnold Networks: An Adversarial Perspective [0.0]
  Kolmogorov-Arnold Networks (KAN) は関数近似の新しいアプローチとして登場した。 理論的な約束にもかかわらず、敵対的な条件下でのカンの堅牢性はまだ十分に検討されていない。 我々は,標準のホワイトボックスとブラックボックスの敵攻撃に対するカンの性能を評価する。
  論文  参考訳（メタデータ） (2024-08-25T11:10:15Z)
• KAN we improve on HEP classification tasks? Kolmogorov-Arnold Networks applied to an LHC physics example [0.08192907805418582]
  Kolmogorov-Arnold Networks (KAN) は多層パーセプトロンの代替として提案されている。 高エネルギー物理における二項イベント分類の典型的な課題について検討する。 1層カンの学習活性化関数は入力特徴の対数類似度に類似していることが判明した。
  論文  参考訳（メタデータ） (2024-08-05T18:01:07Z)
• Layer-Aware Analysis of Catastrophic Overfitting: Revealing the Pseudo-Robust Shortcut Dependency [61.394997313144394]
  カタストロフィックオーバーフィッティング(CO)は単段階逆行訓練(AT)において重要な課題となる また,CO中において,前層はより感受性が高く,より早く,より歪みが強く,後者層は相対的不感度を示した。 提案手法であるLayer-Aware Adversarial Weight Perturbation (LAP)は,COを効果的に防止し,ロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-25T14:56:30Z)
• Ensemble Adversarial Defense via Integration of Multiple Dispersed Low Curvature Models [7.8245455684263545]
  本研究では,攻撃伝達性を低減し,アンサンブルの多様性を高めることを目的とする。 損失曲率を表す2階勾配を, 対向的強靭性の重要な要因として同定する。 本稿では,複数変数の低曲率ネットワークモデルをトレーニングするための新しい正規化器を提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:44:36Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Resisting Adversarial Attacks in Deep Neural Networks using Diverse Decision Boundaries [12.312877365123267]
  深層学習システムは、人間の目には認識できないが、モデルが誤分類される可能性がある、人工的な敵の例に弱い。 我々は,オリジナルモデルに対する多様な決定境界を持つディフェンダーモデルを構築するための,アンサンブルに基づく新しいソリューションを開発した。 我々は、MNIST、CIFAR-10、CIFAR-100といった標準画像分類データセットを用いて、最先端の敵攻撃に対する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-08-18T08:19:26Z)
• Enhancing Adversarial Training with Feature Separability [52.39305978984573]
  本稿では,特徴分離性を備えた対人訓練(ATFS)により,クラス内特徴の類似性を向上し,クラス間特徴分散を増大させることができる,新たな対人訓練グラフ(ATG)を提案する。 包括的な実験を通じて、提案したATFSフレームワークがクリーンかつロバストなパフォーマンスを著しく改善することを示した。
  論文  参考訳（メタデータ） (2022-05-02T04:04:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。