論文の概要: Winning Solutions for the Rayan AI Contest: Compositional Retrieval, Zero-Shot Anomaly Detection, and Backdoor Detection

• arxiv url: http://arxiv.org/abs/2512.01498v1
• Date: Mon, 01 Dec 2025 10:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.799783
• Title: Winning Solutions for the Rayan AI Contest: Compositional Retrieval, Zero-Shot Anomaly Detection, and Backdoor Detection
• Title（参考訳）: Rayan AIコンテストの勝者:構成検索、ゼロショット異常検出、バックドア検出
• Authors: Ali Nafisi, Sina Asghari, Mohammad Saeed Arvenaghi, Hossein Shakibania,
• Abstract要約: 本稿では,合成画像検索,ゼロショット異常検出,バックドアモデル検出という3つの機械学習課題に対する解決策を提案する。 合成画像検索において、視覚とテキストの入力を処理して関連画像を検索し、95.38%の精度を達成し、第2チームよりも明確なマージンでランク付けするシステムを開発した。 ゼロショット異常検出のために,画像中の異常を事前に検出・局所化するモデルを設計し,73.14%の精度で第1位を確保した。 バックドアモデル検出タスクにおいて、ニューラルネットワークに隠されたバックドアトリガーを検出する方法を提案する。
• 参考スコア（独自算出の注目度）: 1.137457877869062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report presents solutions to three machine learning challenges: compositional image retrieval, zero-shot anomaly detection, and backdoored model detection. In compositional image retrieval, we developed a system that processes visual and textual inputs to retrieve relevant images, achieving 95.38\% accuracy and ranking first with a clear margin over the second team. For zero-shot anomaly detection, we designed a model that identifies and localizes anomalies in images without prior exposure to abnormal examples, securing 1st place with 73.14\% accuracy. In the backdoored model detection task, we proposed a method to detect hidden backdoor triggers in neural networks, reaching an accuracy of 78\%, which placed our approach in second place. These results demonstrate the effectiveness of our methods in addressing key challenges related to retrieval, anomaly detection, and model security, with implications for real-world applications in industries such as healthcare, manufacturing, and cybersecurity. Code for all solutions is available online.
• Abstract（参考訳）: 本稿では,合成画像検索,ゼロショット異常検出,バックドアモデル検出という3つの機械学習課題に対する解決策を提案する。 合成画像検索において、視覚とテキストの入力を処理して関連画像を検索し、95.38\%の精度と第2チームよりも明確なマージンでランク付けするシステムを開発した。 ゼロショット異常検出のために,画像中の異常を事前に検出・局所化するモデルを設計し,73.14\%の精度で第1位を確保した。 バックドアモデル検出タスクでは,ニューラルネットワークの隠れたバックドアトリガを検出する手法を提案し,精度は78\%に達し,アプローチを第2位に位置づけた。 これらの結果は, 検索, 異常検出, モデルセキュリティに関わる重要な課題に対処するための手法の有効性を示し, 医療, 製造, サイバーセキュリティといった産業における現実の応用に影響を及ぼすものである。 すべてのソリューションのコードはオンラインで利用可能だ。

関連論文リスト

• Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
  本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。 RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。 我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
  論文  参考訳（メタデータ） (2025-09-11T06:15:52Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Interpretable Failure Detection with Human-Level Concepts [9.086637005449672]
  この研究は、モデルが失敗したときを確実に検出し、理由を透過的に解釈する、という、2つの目的のために人間レベルの概念を活用する革新的な戦略を導入している。 入力画像に対する概念アクティベーションの順序付けに基づく簡易かつ高効率な手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T19:19:40Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Solving Trojan Detection Competitions with Linear Weight Classification [1.24275433420322]
  既存のデータセットやドメインの多くで驚くほどうまく機能する検出器を導入します。 我々はこのアルゴリズムを、トロイの木馬検出ベンチマークとドメインの多種多様なセットで評価する。
  論文  参考訳（メタデータ） (2024-11-05T19:00:34Z)
• Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature Representations [8.915958745269442]
  異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。 ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。 本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:45:02Z)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar Imaging [11.12267144061017]
  本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。 提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。 従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
  論文  参考訳（メタデータ） (2022-10-28T10:22:29Z)
• RetrievalGuard: Provably Robust 1-Nearest Neighbor Image Retrieval [84.33752026418045]
  本稿では, 対向性摂動に対して確実に頑健な1-nearest neighbor(NN)画像検索アルゴリズムであるRetrievalGuardを提案する。 このスムーズな検索モデルはリプシッツ定数を一定に保ち、従って検索スコアは$ell$逆転摂動に不変であることを示す。
  論文  参考訳（メタデータ） (2022-06-17T16:50:50Z)

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。