論文の概要: Latent Regularization in Generative Test Input Generation

• arxiv url: http://arxiv.org/abs/2602.15552v1
• Date: Tue, 17 Feb 2026 12:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.068033
• Title: Latent Regularization in Generative Test Input Generation
• Title（参考訳）: 生成テスト入力生成における潜時正則化
• Authors: Giorgi Merabishvili, Oliver Weißl, Andrea Stocco,
• Abstract要約: 本研究では,潜伏空間の正規化が深層学習分類器の性能に及ぼす影響について検討した。 我々はこの効果を,最先端のジェネレーティブアプローチであるスタイルベースGANを用いて評価し,妥当性,多様性,欠陥検出の3次元に沿って品質を評価する。
• 参考スコア（独自算出の注目度）: 0.5368630420272898
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This study investigates the impact of regularization of latent spaces through truncation on the quality of generated test inputs for deep learning classifiers. We evaluate this effect using style-based GANs, a state-of-the-art generative approach, and assess quality along three dimensions: validity, diversity, and fault detection. We evaluate our approach on the boundary testing of deep learning image classifiers across three datasets, MNIST, Fashion MNIST, and CIFAR-10. We compare two truncation strategies: latent code mixing with binary search optimization and random latent truncation for generative exploration. Our experiments show that the latent code-mixing approach yields a higher fault detection rate than random truncation, while also improving both diversity and validity.
• Abstract（参考訳）: 本研究では,潜伏空間の正規化が深層学習分類器の性能に及ぼす影響について検討した。 我々はこの効果を,最先端のジェネレーティブアプローチであるスタイルベースGANを用いて評価し,妥当性,多様性,欠陥検出の3次元に沿って品質を評価する。 我々は3つのデータセット(MNIST, Fashion MNIST, CIFAR-10)にわたるディープラーニング画像分類器の境界検定について検討した。 本稿では,2進探索最適化を用いた潜時コード混合と,生成探索のためのランダム潜時トランケーションの2つの戦略を比較した。 本実験により, 遅延符号混合手法は, ランダムトランケーションよりも高い故障検出率を示すとともに, 多様性と妥当性も向上することを示した。

関連論文リスト

• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• CADRef: Robust Out-of-Distribution Detection via Class-Aware Decoupled Relative Feature Leveraging [5.356623181327855]
  CARef(Class-Aware Relative Feature-based Method)とCADRef(Class-Aware Decoupled Relative Feature-based Method)を提案する。 両手法は, 最先端手法と比較してOOD検出の有効性とロバスト性を示した。
  論文  参考訳（メタデータ） (2025-03-01T03:23:10Z)
• Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
  本稿では,難易度検証を回避する多閾値深度学習手法を提案する。 その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。 埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
  論文  参考訳（メタデータ） (2024-06-24T08:27:31Z)
• Not Every Side Is Equal: Localization Uncertainty Estimation for Semi-Supervised 3D Object Detection [38.77989138502667]
  点雲からの半教師付き3Dオブジェクト検出は、少数のラベル付きデータと多数のラベルなしデータで検出器を訓練することを目的としている。 既存の方法は、各擬似境界ボックス全体を扱い、トレーニング中に各側面に等しい重要性を割り当てる。 3つの鍵設計からなる半教師付き3次元物体検出のためのサイドアウェアフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-16T09:08:03Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• An ensemble of convolution-based methods for fault detection using vibration signals [5.987823398628775]
  本稿では, 惑星ギアボックスから収集した多変量時系列の振動信号を用いて, 故障検出問題の解決に焦点をあてる。 本稿では,3つの畳み込みカーネルに基づく手法のアンサンブルを提案し,他の手法より優れ,98.8%以上の精度を実現することにより,この故障検出問題に対する有効性を示す。
  論文  参考訳（メタデータ） (2023-05-05T01:23:56Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。