論文の概要: AdaptDel: Adaptable Deletion Rate Randomized Smoothing for Certified Robustness

• arxiv url: http://arxiv.org/abs/2511.09316v1
• Date: Thu, 13 Nov 2025 01:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.516272
• Title: AdaptDel: Adaptable Deletion Rate Randomized Smoothing for Certified Robustness
• Title（参考訳）: AdaptDel: 認証ロバストネスのための適応的削除率ランダム化平滑化
• Authors: Zhuoqun Huang, Neil G. Marchant, Olga Ohrimenko, Benjamin I. P. Rubinstein,
• Abstract要約: 入力特性に基づいて動的に調整する適応的削除率を持つAdaptDel法を提案する。 自然言語のタスクにおいて,認定された領域の中央値に最大30桁の精度向上を観察し,実験的な結果が得られた。
• 参考スコア（独自算出の注目度）: 19.77149004803903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of certified robustness for sequence classification against edit distance perturbations. Naturally occurring inputs of varying lengths (e.g., sentences in natural language processing tasks) present a challenge to current methods that employ fixed-rate deletion mechanisms and lead to suboptimal performance. To this end, we introduce AdaptDel methods with adaptable deletion rates that dynamically adjust based on input properties. We extend the theoretical framework of randomized smoothing to variable-rate deletion, ensuring sound certification with respect to edit distance. We achieve strong empirical results in natural language tasks, observing up to 30 orders of magnitude improvement to median cardinality of the certified region, over state-of-the-art certifications.
• Abstract（参考訳）: 編集距離の摂動に対するシーケンス分類における信頼性の高いロバスト性の問題について考察する。 自然に発生する様々な長さの入力(例えば自然言語処理タスクの文)は、固定時間削除機構を使用し、最適な性能をもたらす現在の手法に挑戦する。 この目的のために、入力特性に基づいて動的に調整する適応的削除率を持つAdaptDel手法を導入する。 ランダム化スムーシングの理論的枠組みを可変レート削除に拡張し、編集距離に関する音の認証を保証する。 自然言語タスクにおいて,認定領域の中央値に最大30桁の精度向上を観察し,最先端の認定を経た上で,実証的な結果が得られた。

関連論文リスト

• Confidence-Modulated Speculative Decoding for Large Language Models [0.0]
  本稿では,信頼度変調された起草に基づく投機的復号化のための情報理論フレームワークを提案する。 機械翻訳と要約タスクの実験は、標準的な投機的復号化よりも大幅に高速化された。
  論文  参考訳（メタデータ） (2025-08-21T09:06:31Z)
• CERT-ED: Certifiably Robust Text Classification for Edit Distance [19.709389173144032]
  我々は、ランダム化された削除(Huang et al., 2023)を適用し、自然言語分類のためのCERT-ED(CERTified Edit Distance Defense)を提案する。 5つのダイレクトおよび5つの転送攻撃を含む様々な脅威モデルをカバーすることにより、50設定中38の試験的堅牢性を向上する。
  論文  参考訳（メタデータ） (2024-08-01T17:20:24Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• RS-Del: Edit Distance Robustness Certificates for Sequence Classifiers via Randomized Deletion [23.309600117618025]
  離散列分類器のランダム化スムーシングを適用して、編集距離境界の敵に対して確固たるロバスト性を提供する。 私たちの証明は、確立されたNeyman-Pearsonアプローチから逸脱したものです。 一般的なMalConvマルウェア検出モデルに適用すると、スムーシング機構RS-Delは128バイトの編集距離半径で91%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-01-31T01:40:26Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)
• SmoothMix: Training Confidence-calibrated Smoothed Classifiers for Certified Robustness [61.212486108346695]
  自己混合によるスムーズな分類器のロバスト性を制御するためのトレーニングスキームSmoothMixを提案する。 提案手法は, 厳密性に制限された原因として, 信頼性の低い, オフクラスに近いサンプルを効果的に同定する。 提案手法はスムーズな分類器の検証値である$ell$-robustnessを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-11-17T18:20:59Z)
• Consistency Training with Virtual Adversarial Discrete Perturbation [17.311821099484987]
  本稿では,オリジナル入力と摂動入力とが類似するトレーニングモデルの予測を強制する効果的な一貫性トレーニングフレームワークを提案する。 少数のトークンを置き換えることで得られる仮想対向離散ノイズは、トレーニングモデルの決定境界を効率的にプッシュする。
  論文  参考訳（メタデータ） (2021-04-15T07:49:43Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。