論文の概要: Fast and Flexible Robustness Certificates for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2512.06010v1
• Date: Wed, 03 Dec 2025 10:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.147014
• Title: Fast and Flexible Robustness Certificates for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのための高速で柔軟なロバスト性証明書
• Authors: Thomas Massena, Corentin Friedrich, Franck Mamalet, Mathieu Serrurier,
• Abstract要約: そこで我々は,リプシッツ制約を組み込んだ,比較的堅牢なセマンティックネットワークを新たに導入する。 我々のアプローチは、初めて、リアルタイム互換の堅牢なセマンティックセマンティックセグメンテーションを解放する。 当社のアプローチはNVIDIA A100 GPUの同等の証明書を推論してランダムにスムースにする方法よりも約600倍高速であることがわかった。
• 参考スコア（独自算出の注目度）: 6.1903263165298945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks are vulnerable to small perturbations that can drastically alter their predictions for perceptually unchanged inputs. The literature on adversarially robust Deep Learning attempts to either enhance the robustness of neural networks (e.g, via adversarial training) or to certify their decisions up to a given robustness level (e.g, by using randomized smoothing, formal methods or Lipschitz bounds). These studies mostly focus on classification tasks and few efficient certification procedures currently exist for semantic segmentation. In this work, we introduce a new class of certifiably robust Semantic Segmentation networks with built-in Lipschitz constraints that are efficiently trainable and achieve competitive pixel accuracy on challenging datasets such as Cityscapes. Additionally, we provide a novel framework that generalizes robustness certificates for semantic segmentation tasks, where we showcase the flexibility and computational efficiency of using Lipschitz networks. Our approach unlocks real-time compatible certifiably robust semantic segmentation for the first time. Moreover, it allows the computation of worst-case performance under $\ell_2$ attacks of radius $ε$ across a wide range of performance measures. Crucially, we benchmark the runtime of our certification process and find our approach to be around 600 times faster than randomized smoothing methods at inference with comparable certificates on an NVIDIA A100 GPU. Finally, we evaluate the tightness of our worstcase certificates against state-of-the-art adversarial attacks to further validate the performance of our method.
• Abstract（参考訳）: ディープニューラルネットワークは、知覚的に変化しない入力に対する予測を大幅に変更できる小さな摂動に弱い。 敵対的に堅牢なDeep Learningに関する文献は、ニューラルネットワークの堅牢性(例えば、敵の訓練を通して)を高めるか、あるいは与えられた堅牢性レベル(例えば、ランダムなスムーシング、フォーマルなメソッド、リプシッツ境界)までその決定を証明しようとする試みである。 これらの研究は、主に分類タスクに焦点を当てており、セマンティックセグメンテーションのための効率的な認証手順はほとんど存在しない。 本研究では,Lipschitzの制約を組み込んだセマンティックセグメンテーションネットワークを新たに導入し,Cityscapesのような挑戦的なデータセットに対して,効率よくトレーニング可能で,競合する画素精度を実現する。 さらに、セマンティックセグメンテーションタスクの堅牢性証明を一般化する新しいフレームワークを提供し、リプシッツネットワークの柔軟性と計算効率を示す。 我々のアプローチは、初めて、リアルタイム互換の堅牢なセマンティックセマンティックセグメンテーションを解放する。 さらに、様々なパフォーマンス対策において、$$\ell_2$の半径$ε$の攻撃下での最悪のケースパフォーマンスの計算を可能にする。 重要なことに、当社の認証プロセスのランタイムをベンチマークし、NVIDIA A100 GPU上の同等の証明書を推論してランダム化されたスムースなメソッドよりも600倍高速なアプローチを見つけました。 最後に,我々の手法の性能を評価するために,最先端の敵攻撃に対する最悪の証明の厳密さを評価した。

関連論文リスト

• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Adaptive Hierarchical Certification for Segmentation using Randomized Smoothing [87.48628403354351]
  機械学習の認証は、特定の条件下では、敵対的なサンプルが特定の範囲内でモデルを回避できないことを証明している。 セグメンテーションの一般的な認証方法は、平らな粒度のクラスを使い、モデルの不確実性による高い断続率をもたらす。 本稿では,複数レベルの階層内で画素を認証し,不安定なコンポーネントに対して粗いレベルに適応的に認証を緩和する,新しい,より実用的な設定を提案する。
  論文  参考訳（メタデータ） (2024-02-13T11:59:43Z)
• 1-Lipschitz Layers Compared: Memory, Speed, and Certifiable Robustness [22.09354138194545]
  境界等級の入力摂動に対するニューラルネットワークの堅牢性は、ディープラーニングモデルの安全クリティカルシステムへの展開において深刻な関心事である。 近年、科学コミュニティは、リプシッツ境界層と畳み込み層を利用する1-Lipschitzニューラルネットワークを構築することで、証明可能な堅牢性を保証することに重点を置いている。 本稿では, メモリ使用量, 速度, 証明可能なロバストな精度で評価することで, 提案手法の理論的, 実証的な比較を行う。
  論文  参考訳（メタデータ） (2023-11-28T14:50:50Z)
• Smooth-Reduce: Leveraging Patches for Improved Certified Robustness [100.28947222215463]
  本研究では,Smooth-Reduce の学習自由な修正スムース化手法を提案する。 提案アルゴリズムは,入力画像から抽出した重なり合うパッチを分類し,予測ロジットを集約して,入力周辺の半径が大きいことを証明する。 我々は,このような証明書の理論的保証を提供し,他のランダムな平滑化手法に対する顕著な改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-05-12T15:26:20Z)
• Scalable Certified Segmentation via Randomized Smoothing [9.775834440292487]
  ランダムな平滑化に基づく画像と点雲のセグメンテーションのための新しい認証手法を提案する。 提案アルゴリズムは,実世界のセグメンテーションタスクにおいて,競争精度と認証保証を初めて達成できることを示す。
  論文  参考訳（メタデータ） (2021-07-01T05:52:39Z)
• Certified Distributional Robustness on Smoothed Classifiers [27.006844966157317]
  本稿では,ロバスト性証明として,入力分布に対する最悪の逆損失を提案する。 双対性と滑らか性を利用して、証明書のサロゲートとして容易に計算できる上限を与える。
  論文  参考訳（メタデータ） (2020-10-21T13:22:25Z)
• Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
  ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。 認証精度は5.78%,44.96%,43.19%であった。
  論文  参考訳（メタデータ） (2020-06-01T05:55:18Z)
• Regularized Training and Tight Certification for Randomized Smoothed Classifier with Provable Robustness [15.38718018477333]
  我々は新たな正規化リスクを導出し、正規化器はスムーズな手法の精度と堅牢性を適応的に促進することができる。 また、正規化効果を利用して、高い確率で保持されるより厳密なロバスト性の下限を提供する新しい認証アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-02-17T20:54:34Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。