論文の概要: Consensus-based optimization for closed-box adversarial attacks and a connection to evolution strategies

• arxiv url: http://arxiv.org/abs/2506.24048v1
• Date: Mon, 30 Jun 2025 16:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.164663
• Title: Consensus-based optimization for closed-box adversarial attacks and a connection to evolution strategies
• Title（参考訳）: 閉箱対向攻撃に対する合意に基づく最適化と進化戦略との関係
• Authors: Tim Roith, Leon Bungert, Philipp Wacker,
• Abstract要約: 合意に基づく最適化(CBO)は、効率的な勾配のない最適化スキームとして確立されている。 我々の研究はRiedlらによってもたらされ、自然進化戦略(NES)が敵の攻撃に一般的に適用されている。 概念的類似性にもかかわらず、CBOは特定のシナリオにおいてNESや他の進化戦略より優れている。
• 参考スコア（独自算出の注目度）: 4.813333335683418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consensus-based optimization (CBO) has established itself as an efficient gradient-free optimization scheme, with attractive mathematical properties, such as mean-field convergence results for non-convex loss functions. In this work, we study CBO in the context of closed-box adversarial attacks, which are imperceptible input perturbations that aim to fool a classifier, without accessing its gradient. Our contribution is to establish a connection between the so-called consensus hopping as introduced by Riedl et al. and natural evolution strategies (NES) commonly applied in the context of adversarial attacks and to rigorously relate both methods to gradient-based optimization schemes. Beyond that, we provide a comprehensive experimental study that shows that despite the conceptual similarities, CBO can outperform NES and other evolutionary strategies in certain scenarios.
• Abstract（参考訳）: コンセンサスに基づく最適化(CBO)は、非凸損失関数の平均場収束結果など、魅力的な数学的特性を持つ効率的な勾配のない最適化スキームとして確立されている。 そこで本研究では,CBOを,その勾配にアクセスできることなく,分類器を騙すことを目的とした入力摂動であるクローズドボックス対逆攻撃(CBO)の文脈で検討する。 我々の貢献は、Riedlらによって導入されたいわゆるコンセンサスホッピングと、敵攻撃の文脈で一般的に適用される自然進化戦略(NES)の関連を確立することであり、両手法を勾配に基づく最適化スキームに厳密に関連付けることである。 さらに、概念的な類似性にもかかわらず、CBOは特定のシナリオにおいてNESやその他の進化戦略より優れていることを示す包括的な実験研究も提供する。

関連論文リスト

• ALMA: Aggregated Lipschitz Maximization Attack on Auto-encoders [4.420073761023326]
  本稿では, レイヤ条件に基づく対向最適化手法を提案し, 対向写像を局所リプシッツ境界領域へ誘導する。 我々は、最先端のAEの実験を通じて、我々の敵の目標がより強力な攻撃をもたらすことを実証し、普遍的なシナリオとサンプル特有のシナリオの両方において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T15:52:14Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Adaptive Gradient Clipping for Robust Federated Learning [8.268485501864939]
  本稿では,適応型クリッピング戦略である適応ロバストクリッピング(ARC)を提案し,入力勾配に基づいて動的にクリッピング閾値を調整する。 ARCは、特に高度に異質で対向的な設定において、ロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-23T11:00:31Z)
• Distributed Evolution Strategies for Black-box Stochastic Optimization [42.90600124972943]
  この研究は、分散ブラックボックス最適化への進化的アプローチに関するものである。 各作業者は、アルゴリズムによる問題の近似を個別に解くことができる。 問題のロバスト性を大幅に改善する2つの代替シミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-04-09T11:18:41Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• The Strength of Nesterov's Extrapolation in the Individual Convergence of Nonsmooth Optimization [0.0]
  ネステロフの外挿は、非滑らかな問題に対して勾配降下法の個人収束を最適にする強さを持つことを証明している。 提案手法は,設定の非滑らかな損失を伴って正規化学習タスクを解くためのアルゴリズムの拡張である。 本手法は,大規模な1-正規化ヒンジロス学習問題の解法として有効である。
  論文  参考訳（メタデータ） (2020-06-08T03:35:41Z)

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。