論文の概要: Colliding with Adversaries at ECML-PKDD 2025 Model Robustness Competition 1st Prize Solution

• arxiv url: http://arxiv.org/abs/2510.16443v1
• Date: Sat, 18 Oct 2025 10:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.997766
• Title: Colliding with Adversaries at ECML-PKDD 2025 Model Robustness Competition 1st Prize Solution
• Title（参考訳）: ECML-PKDD 2025モデルロバストネスコンペティション第1回受賞
• Authors: Dimitris Stefanopoulos, Andreas Voskou,
• Abstract要約: 本報告では,ECML-PKDD 2025における高エネルギー物理発見におけるロバスト学習の課題について述べる。 この課題の目的は、クリーンデータと逆データの両方でバイナリ分類タスクにおいて高い精度を達成できる堅牢なANNベースのモデルを設計し、訓練することであった。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report presents the winning solution for Task 2 of Colliding with Adversaries: A Challenge on Robust Learning in High Energy Physics Discovery at ECML-PKDD 2025. The goal of the challenge was to design and train a robust ANN-based model capable of achieving high accuracy in a binary classification task on both clean and adversarial data generated with the Random Distribution Shuffle Attack (RDSA). Our solution consists of two components: a data generation phase and a robust model training phase. In the first phase, we produced 15 million artificial training samples using a custom methodology derived from Random Distribution Shuffle Attack (RDSA). In the second phase, we introduced a robust architecture comprising (i)a Feature Embedding Block with shared weights among features of the same type and (ii)a Dense Fusion Tail responsible for the final prediction. Training this architecture on our adversarial dataset achieved a mixed accuracy score of 80\%, exceeding the second-place solution by two percentage points.
• Abstract（参考訳）: 本報告では,ECML-PKDD 2025における高エネルギー物理発見におけるロバスト学習の課題について述べる。 この課題の目標は、ランダム分散シャッフル攻撃(RDSA)によって生成されたクリーンデータと逆データの両方に基づいて、バイナリ分類タスクにおいて高い精度を達成できる堅牢なANNベースのモデルを設計し、訓練することであった。 私たちのソリューションは、データ生成フェーズと堅牢なモデルトレーニングフェーズの2つのコンポーネントで構成されています。 第1フェーズでは,Random Distribution Shuffle Attack (RDSA) から派生したカスタム手法を用いて,1500万件の人工トレーニングサンプルを作成した。 第2フェーズでは、堅牢なアーキテクチャを導入しました。 (i)同種の特徴と特徴の共通重みを有する特徴埋め込みブロック (ii)最終予測に責任があるDense Fusion Tail。 このアーキテクチャを敵データセット上でトレーニングすると、80 %の混合精度のスコアが得られ、第2位を2 ポイント上回る結果となった。

関連論文リスト

• Colliding with Adversaries at ECML-PKDD 2025 Adversarial Attack Competition 1st Prize Solution [0.3437656066916039]
  本報告では,ECML-PKDD 2025における高エネルギー物理発見におけるロバスト学習の課題について述べる。 このタスクは、摂動を最小限に抑えながら誤分類を最大化する、提供された分類モデルに対する敵攻撃を設計することを必要とした。
  論文  参考訳（メタデータ） (2025-10-18T10:26:47Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [36.409282287280185]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Rotation Invariance and Extensive Data Augmentation: a strategy for the Mitosis Domain Generalization (MIDOG) Challenge [1.52292571922932]
  我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。 このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。 本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
  論文  参考訳（メタデータ） (2021-09-02T10:09:02Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。