Fugu-MT 論文翻訳(概要): Universal and Transferable Attacks on Pathology Foundation Models

論文の概要: Universal and Transferable Attacks on Pathology Foundation Models

arxiv url: http://arxiv.org/abs/2510.16660v1
Date: Sat, 18 Oct 2025 23:03:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:39.085192
Title: Universal and Transferable Attacks on Pathology Foundation Models
Title（参考訳）: 病理基盤モデルにおけるユニバーサル・トランスファー可能な攻撃
Authors: Yuntian Wang, Xilin Yang, Che-Yung Shen, Nir Pillar, Aydogan Ozcan,
Abstract要約: 本稿では,その機能に重大な脆弱性を示す病理基盤モデルについて,Universal and Transferable Adversarial Perturbations (UTAP)を紹介する。 UTAPは、病理画像に追加されると、複数の基礎モデルの特徴表現能力を体系的に破壊する、固定的で弱いノイズパターンを含む。
参考スコア（独自算出の注目度）: 1.0602247913671219
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce Universal and Transferable Adversarial Perturbations (UTAP) for pathology foundation models that reveal critical vulnerabilities in their capabilities. Optimized using deep learning, UTAP comprises a fixed and weak noise pattern that, when added to a pathology image, systematically disrupts the feature representation capabilities of multiple pathology foundation models. Therefore, UTAP induces performance drops in downstream tasks that utilize foundation models, including misclassification across a wide range of unseen data distributions. In addition to compromising the model performance, we demonstrate two key features of UTAP: (1) universality: its perturbation can be applied across diverse field-of-views independent of the dataset that UTAP was developed on, and (2) transferability: its perturbation can successfully degrade the performance of various external, black-box pathology foundation models - never seen before. These two features indicate that UTAP is not a dedicated attack associated with a specific foundation model or image dataset, but rather constitutes a broad threat to various emerging pathology foundation models and their applications. We systematically evaluated UTAP across various state-of-the-art pathology foundation models on multiple datasets, causing a significant drop in their performance with visually imperceptible modifications to the input images using a fixed noise pattern. The development of these potent attacks establishes a critical, high-standard benchmark for model robustness evaluation, highlighting a need for advancing defense mechanisms and potentially providing the necessary assets for adversarial training to ensure the safe and reliable deployment of AI in pathology.
Abstract（参考訳）: 本稿では,その機能に重大な脆弱性を示す病理基盤モデルについて,Universal and Transferable Adversarial Perturbations (UTAP)を紹介する。深層学習を用いて最適化されたUTAPは、病理画像に追加されると、複数の病理基盤モデルの特徴表現能力を体系的に破壊する、固定的で弱いノイズパターンを含む。したがって、UTAPは、幅広い未知のデータ分布の誤分類を含む基礎モデルを利用するダウンストリームタスクのパフォーマンス低下を誘導する。 1)普遍性:その摂動は、UTAPが開発したデータセットとは無関係に、様々な視野で適用可能であり、(2)伝達性:その摂動は、様々な外部、ブラックボックスの病理基盤モデルの性能を低下させることに成功した。これらの2つの特徴は、UTAPが特定のファンデーションモデルやイメージデータセットに関連する専用の攻撃ではなく、様々な新興の病理基盤モデルとそのアプリケーションに対する幅広い脅威であることを示している。我々は,複数のデータセット上での様々な最先端の病理基盤モデルに対してUTAPを体系的に評価し,その性能が著しく低下し,固定ノイズパターンを用いて入力画像に視覚的に知覚できない変更が加えられた。これらの強力な攻撃の開発は、モデルロバストネス評価のための重要な高標準ベンチマークを確立し、防御メカニズムの前進の必要性を強調し、病理学におけるAIの安全で信頼性の高い展開を保証するために、敵の訓練に必要な資産を提供する可能性がある。

関連論文リスト

AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
論文参考訳（メタデータ） (2025-08-07T07:09:31Z)
Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文参考訳（メタデータ） (2025-06-11T03:29:18Z)
Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-19T16:35:45Z)
AI-Assisted Colonoscopy: Polyp Detection and Segmentation using Foundation Models [0.10037949839020764]
大腸内視鏡検査では、Deep Learningモデルの助けを借りて、欠落したポリープの80%を検出できた。この課題に対処できるアルゴリズムの探索において、ファンデーションモデルは有望な候補として浮上する。ゼロショットまたは少数ショットの学習機能により、広範囲の微調整なしに、新しいデータやタスクへの一般化が容易になる。ポリプセグメンテーションの基礎モデルを総合的に評価し, 検出と分解の両面から評価した。
論文参考訳（メタデータ） (2025-03-31T14:20:53Z)
Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文参考訳（メタデータ） (2024-10-10T17:18:30Z)
Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文参考訳（メタデータ） (2024-10-08T17:59:03Z)
UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
論文参考訳（メタデータ） (2024-09-26T12:13:52Z)
EXAONEPath 1.0 Patch-level Foundation Model for Pathology [12.179645627327428]
自己教師付きモデルから抽出された特徴は、個々のスライド画像(WSI)によってクラスタリングされる傾向がある EXAONEPathは,染色正規化を施したパッチをトレーニングした新しい基礎モデルである。 EXAONEPath は使用した WSI の数とモデルパラメータ数に対して優れた性能を示す。
論文参考訳（メタデータ） (2024-08-01T08:41:13Z)
Addressing catastrophic forgetting for medical domain expansion [9.720534481714953]
モデル脆性は、ディープラーニングモデルを現実世界の医療環境にデプロイする際に重要な関心事です。ある機関で高い性能を持つモデルは、他の機関での試験で性能が著しく低下する可能性がある。バッチ正規化統計の変調と組み合わせ、弾力性のある重量統合に基づく破滅的な忘れ物対策手法を開発しています。
論文参考訳（メタデータ） (2021-03-24T22:33:38Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。