論文の概要: Angular Gradient Sign Method: Uncovering Vulnerabilities in Hyperbolic Networks
- arxiv url: http://arxiv.org/abs/2511.12985v1
- Date: Mon, 17 Nov 2025 05:16:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.674049
- Title: Angular Gradient Sign Method: Uncovering Vulnerabilities in Hyperbolic Networks
- Title（参考訳）: Angular Gradient Sign Method:ハイパーボリックネットワークにおける脆弱性の発見
- Authors: Minsoo Jo, Dongyoon Yang, Taesup Kim,
- Abstract要約: ニューラルネットワークの逆例はユークリッド幾何学で広く研究されている。
テクスチペルボリックネットワークの最近の進歩は、非ユークリッド幾何学における攻撃戦略の再評価を求めている。
本稿では,双曲空間の幾何学的特性を明示的に活用する新たな逆攻撃を提案する。
- 参考スコア（独自算出の注目度）: 11.409989603679612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adversarial examples in neural networks have been extensively studied in Euclidean geometry, but recent advances in \textit{hyperbolic networks} call for a reevaluation of attack strategies in non-Euclidean geometries. Existing methods such as FGSM and PGD apply perturbations without regard to the underlying hyperbolic structure, potentially leading to inefficient or geometrically inconsistent attacks. In this work, we propose a novel adversarial attack that explicitly leverages the geometric properties of hyperbolic space. Specifically, we compute the gradient of the loss function in the tangent space of hyperbolic space, decompose it into a radial (depth) component and an angular (semantic) component, and apply perturbation derived solely from the angular direction. Our method generates adversarial examples by focusing perturbations in semantically sensitive directions encoded in angular movement within the hyperbolic geometry. Empirical results on image classification, cross-modal retrieval tasks and network architectures demonstrate that our attack achieves higher fooling rates than conventional adversarial attacks, while producing high-impact perturbations with deeper insights into vulnerabilities of hyperbolic embeddings. This work highlights the importance of geometry-aware adversarial strategies in curved representation spaces and provides a principled framework for attacking hierarchical embeddings.
- Abstract（参考訳）: ニューラルネットワークの逆例はユークリッド幾何学において広く研究されてきたが、近年の「textit{hyperbolic network}」の進歩により、非ユークリッド幾何学における攻撃戦略の再評価が求められている。
FGSMやPGDのような既存の手法は、下層の双曲構造を考慮せずに摂動を適用し、非効率または幾何学的に矛盾する攻撃を引き起こす可能性がある。
本研究では,双曲空間の幾何学的特性を明示的に活用する新たな逆攻撃を提案する。
具体的には、双曲空間の接空間における損失関数の勾配を計算し、それを半径(深度)成分と角(浅度)成分に分解し、角方向のみから導かれる摂動を適用する。
本手法は,双曲幾何学における角運動に符号化された意味的に敏感な方向の摂動に着目して,逆向きの例を生成する。
画像分類,クロスモーダル検索タスク,ネットワークアーキテクチャの実証的な結果から,我々の攻撃は従来の敵攻撃よりも高い騙し率を達成する一方で,ハイパーボリック埋め込みの脆弱性を深く把握した高インパクト摂動を発生させることが示された。
この研究は、曲面表現空間における幾何対応の敵戦略の重要性を強調し、階層的な埋め込みを攻撃するための原則的枠組みを提供する。
関連論文リスト
- Geometry-Aware Backdoor Attacks: Leveraging Curvature in Hyperbolic Embeddings [3.8806403512213787]
非ユークリッド基底モデルは双曲幾何学のような曲線空間に表現を配置する。
入力空間の小さな変化は標準の入力空間検出器には微妙に見えるが、モデルの表現空間において不均等に大きな変化をもたらす。
本稿では,幾何適応型トリガを提案し,タスクやアーキテクチャにわたって評価する。
論文 参考訳（メタデータ） (2025-10-07T19:24:43Z) - Adversarial Attacks on Hyperbolic Networks [14.993556473864228]
本稿では、一般的に用いられているFGMとPGDの対向攻撃に対する双曲的代替法を提案する。
既存のデータセットの解釈可能な総合ベンチマークと実験を通じて、既存の、新しく提案された攻撃がどのように異なるかを示す。
これらのネットワークは異なるタイプの脆弱性に悩まされており、新たに提案された双曲的攻撃はこれらの違いに対処できない。
論文 参考訳（メタデータ） (2024-12-02T13:48:41Z) - Understanding and Mitigating Hyperbolic Dimensional Collapse in Graph Contrastive Learning [70.0681902472251]
双曲空間における高品質グラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳（メタデータ） (2023-10-27T15:31:42Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-18T14:51:46Z) - A Unification Framework for Euclidean and Hyperbolic Graph Neural
Networks [8.080621697426997]
ハイパーボリックニューラルネットワークは、グラフデータセット固有の階層を効果的にキャプチャする。
層内の複数の非連続(ジャイロ-)ベクトル空間を絡み合わせることで、一般化と拡張性の観点から制限される。
検索空間としてPoincareディスクモデルを提案し,ディスク上にすべての近似を適用する。
我々のモデルは、解釈可能性や様々なモデルコンポーネントの効率的な実行といったユークリッドネットワークのパワーを利用するだけでなく、様々なベンチマークにおいてユークリッドと双曲の双方よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-09T05:33:02Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - Canonical foliations of neural networks: application to robustness [0.0]
ディープラーニングモデルは敵の攻撃に弱いことが知られている。
本稿では,リーマン幾何学と葉形成理論を用いたニューラルネットワークのロバスト性に関する新しいビジョンを提案する。
提案手法は,データ空間の曲率を考慮に入れた新たな逆攻撃を生成することで説明される。
論文 参考訳（メタデータ） (2022-03-02T08:09:57Z) - Defensive Tensorization [113.96183766922393]
本稿では,ネットワークの遅延高次分解を利用した対角防御手法であるテンソル防御手法を提案する。
我々は,標準画像分類ベンチマークにおけるアプローチの有効性を実証的に実証した。
我々は,音声タスクとバイナリネットワークを考慮し,ドメイン間のアプローチと低精度アーキテクチャの汎用性を検証した。
論文 参考訳（メタデータ） (2021-10-26T17:00:16Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z)
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。