Fugu-MT 論文翻訳(概要): Probabilistic Robustness for Free? Revisiting Training via a Benchmark

論文の概要: Probabilistic Robustness for Free? Revisiting Training via a Benchmark

arxiv url: http://arxiv.org/abs/2511.01724v1
Date: Mon, 03 Nov 2025 16:33:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:27.326982
Title: Probabilistic Robustness for Free? Revisiting Training via a Benchmark
Title（参考訳）: 自由な確率的ロバスト性 : ベンチマークによる再考
Authors: Yi Zhang, Zheng Wang, Chen Zhen, Wenjie Ruan, Qing Guo, Siddartha Khastgir, Carsten Maple, Xingyu Zhao,
Abstract要約: 確率的堅牢性一般化(PR)は、摂動の下で予測が正しい確率を測定する。 PRBenchは、さまざまな堅牢性トレーニング手法によって達成されたPRの改善を評価するための最初のベンチマークである。
参考スコア（独自算出の注目度）: 32.5326368397097
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models are notoriously vulnerable to imperceptible perturbations. Most existing research centers on adversarial robustness (AR), which evaluates models under worst-case scenarios by examining the existence of deterministic adversarial examples (AEs). In contrast, probabilistic robustness (PR) adopts a statistical perspective, measuring the probability that predictions remain correct under stochastic perturbations. While PR is widely regarded as a practical complement to AR, dedicated training methods for improving PR are still relatively underexplored, albeit with emerging progress. Among the few PR-targeted training methods, we identify three limitations: i non-comparable evaluation protocols; ii limited comparisons to strong AT baselines despite anecdotal PR gains from AT; and iii no unified framework to compare the generalization of these methods. Thus, we introduce PRBench, the first benchmark dedicated to evaluating improvements in PR achieved by different robustness training methods. PRBench empirically compares most common AT and PR-targeted training methods using a comprehensive set of metrics, including clean accuracy, PR and AR performance, training efficiency, and generalization error (GE). We also provide theoretical analysis on the GE of PR performance across different training methods. Main findings revealed by PRBench include: AT methods are more versatile than PR-targeted training methods in terms of improving both AR and PR performance across diverse hyperparameter settings, while PR-targeted training methods consistently yield lower GE and higher clean accuracy. A leaderboard comprising 222 trained models across 7 datasets and 10 model architectures is publicly available at https://tmpspace.github.io/PRBenchLeaderboard/.
Abstract（参考訳）: ディープラーニングモデルは、知覚できない摂動に弱いことで知られている。既存の研究のほとんどは、決定論的逆境例(AEs)の存在を調べることにより、最悪のシナリオ下でモデルを評価する、敵の堅牢性(AR)に焦点を当てている。対照的に確率論的堅牢性(PR)は統計的視点を採用し、確率論的摂動の下で予測が正しい確率を測定する。 PRはARの実践的な補完として広く見なされているが、PRを改善するための専用の訓練方法は、進歩とともに、いまだに研究が過小評価されている。少数のPR目標トレーニング手法のうち,i は非競合性評価プロトコル,ii はAT のPR向上に拘わらず強い AT ベースラインと比較し,iii はこれらの手法の一般化を比較する統一的な枠組みを持たない。そこで我々は,異なる堅牢性トレーニング手法によって達成されたPRの改善を評価するための最初のベンチマークであるPRBenchを紹介する。 PRBenchは、クリーンな精度、PRとARのパフォーマンス、トレーニング効率、一般化エラー(GE)など、包括的なメトリクスセットを使用して、最も一般的なATとPRをターゲットにしたトレーニング手法を実証的に比較する。また,異なるトレーニング手法を用いて,PR性能のGEに関する理論的解析を行った。 PRBenchが明らかにした主な発見は、ATメソッドは、さまざまなハイパーパラメータ設定でARとPRのパフォーマンスを改善するという点で、PRターゲットのトレーニングメソッドよりも汎用性が高い。 7つのデータセットと10のモデルアーキテクチャにわたる222のトレーニング済みモデルで構成されるリーダボードがhttps://tmpspace.github.io/PRBenchLeaderboard/で公開されている。

関連論文リスト

Perturbation-Invariant Adversarial Training for Neural Ranking Models: Improving the Effectiveness-Robustness Trade-Off [107.35833747750446]
正統な文書に不可避な摂動を加えることで敵の例を作れますこの脆弱性は信頼性に関する重大な懸念を生じさせ、NRMの展開を妨げている。本研究では,NRMにおける有効・損耗トレードオフに関する理論的保証を確立する。
論文参考訳（メタデータ） (2023-12-16T05:38:39Z)
Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-08-01T06:16:18Z)
Revisiting and Advancing Adversarial Training Through A Simple Baseline [7.226961695849204]
我々はSimpleATと呼ばれるシンプルなベースラインアプローチを導入し、最近の手法と競合し、堅牢なオーバーフィッティングを緩和する。我々はCIFAR-10/100とTiny-ImageNetで広範囲に実験を行い、SimpleATの最先端の敵攻撃に対する堅牢性を検証する。以上の結果から,SimpleATと先進的対人防御手法の相互関係が明らかとなった。
論文参考訳（メタデータ） (2023-06-13T08:12:52Z)
PIAT: Parameter Interpolation based Adversarial Training for Image Classification [19.276850361815953]
補間ベース・アドバイザリアル・トレーニング(PIAT)と呼ばれる新しいフレームワークを提案し,トレーニング中に過去の情報をフル活用する。我々のフレームワークは汎用的であり、他の敵の訓練手法と組み合わせることで、より堅牢な精度を高めることができる。
論文参考訳（メタデータ） (2023-03-24T12:22:34Z)
Boosting Out-of-Distribution Detection with Multiple Pre-trained Models [41.66566916581451]
事前訓練されたモデルを用いたポストホック検出は有望な性能を示し、大規模にスケールできる。本稿では,事前訓練されたモデルの動物園から抽出した複数の検出決定をアンサンブルすることで,検出強化手法を提案する。 CIFAR10 と ImageNet のベンチマークでは, 相対性能を 65.40% と 26.96% で大幅に改善した。
論文参考訳（メタデータ） (2022-12-24T12:11:38Z)
Self-Ensemble Adversarial Training for Improved Robustness [14.244311026737666]
敵の訓練は、あらゆる種類の防衛方法において、様々な敵の攻撃に対する最強の戦略である。最近の研究は主に新しい損失関数や正規化器の開発に重点を置いており、重み空間の特異な最適点を見つけようとしている。我々は,歴史モデルの重みを平均化し,頑健な分類器を生成するための,単純だが強力なemphSelf-Ensemble Adversarial Training (SEAT)法を考案した。
論文参考訳（メタデータ） (2022-03-18T01:12:18Z)
Self-Progressing Robust Training [146.8337017922058]
敵対的なトレーニングのような現在の堅牢なトレーニング方法は、敵対的な例を生成するために「攻撃」を明示的に使用します。我々はSPROUTと呼ばれる自己プログレッシブ・ロバスト・トレーニングのための新しいフレームワークを提案する。その結果,スケーラブルで効果的で攻撃に依存しないロバストなトレーニング手法に新たな光を当てた。
論文参考訳（メタデータ） (2020-12-22T00:45:24Z)
Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文参考訳（メタデータ） (2020-10-26T04:44:43Z)
Bag of Tricks for Adversarial Training [50.53525358778331]
アドリアリトレーニングは、モデルの堅牢性を促進するための最も効果的な戦略の1つである。最近のベンチマークでは、提案されたATの改良のほとんどは、単にトレーニング手順を早期に停止するよりも効果が低いことが示されている。
論文参考訳（メタデータ） (2020-10-01T15:03:51Z)
Adversarial Distributional Training for Robust Deep Learning [53.300984501078126]
逆行訓練(AT)は、逆行例によるトレーニングデータを増やすことにより、モデルロバスト性を改善する最も効果的な手法の一つである。既存のAT手法の多くは、敵の例を作らせるために特定の攻撃を採用しており、他の目に見えない攻撃に対する信頼性の低い堅牢性につながっている。本稿では,ロバストモデル学習のための新しいフレームワークであるADTを紹介する。
論文参考訳（メタデータ） (2020-02-14T12:36:59Z)

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。