論文の概要: Beyond Uniform Sampling: Synergistic Active Learning and Input Denoising for Robust Neural Operators

• arxiv url: http://arxiv.org/abs/2604.13316v1
• Date: Tue, 14 Apr 2026 21:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.308779
• Title: Beyond Uniform Sampling: Synergistic Active Learning and Input Denoising for Robust Neural Operators
• Title（参考訳）: 一様サンプリングを超えて:ロバストニューラルネットワークのためのシナジスティックアクティブラーニングと入力Denoising
• Authors: Samrendra Roy, Souvik Chakraborty, Syed Bahauddin Alam,
• Abstract要約: 本稿では,能動的学習に基づくデータ生成と入力記述アーキテクチャを組み合わせたシナジスティックディフェンスを提案する。 この結果から,ニューラル演算子の最適トレーニングデータはアーキテクチャ依存であることが示唆された。 これらの発見は、安全クリティカルエネルギーシステムにおける神経オペレーターの展開に潜在的に影響する可能性がある。
• 参考スコア（独自算出の注目度）: 2.9567293946666173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural operators have emerged as fast surrogate models for physics simulations, yet they remain acutely vulnerable to adversarial perturbations, a critical liability for safety-critical digital twin deployments. We present a synergistic defense that combines active learning-based data generation with an input denoising architecture. The active learning component adaptively probes model weaknesses using differential evolution attacks, then generates targeted training data at discovered vulnerability locations while an adaptive smooth-ratio safeguard preserves baseline accuracy. The input denoising component augments the operator architecture with a learnable bottleneck that filters adversarial noise while retaining physics-relevant features. On the viscous Burgers' equation benchmark, the combined approach achieves a 2.04% combined error (1.21% baseline + 0.83% robustness), representing an 87% reduction relative to standard training (15.42% combined) and outperforming both active learning alone (3.42%) and input denoising alone (5.22%). More broadly, our results, combined with cross-architecture vulnerability analysis from prior work, suggest that optimal training data for neural operators is architecture-dependent: because different architectures concentrate sensitivity in distinct input subspaces, uniform sampling cannot adequately cover the vulnerability landscape of all models. These findings have potential implications for the deployment of neural operators in safety-critical energy systems including nuclear reactor monitoring.
• Abstract（参考訳）: ニューラルオペレーターは物理シミュレーションの高速サロゲートモデルとして登場したが、安全クリティカルなデジタル双対展開にとって重要な責任である敵の摂動に対して、非常に脆弱なままである。 本稿では,能動的学習に基づくデータ生成と入力記述アーキテクチャを組み合わせたシナジスティックディフェンスを提案する。 アクティブラーニングコンポーネントは、差動進化攻撃を用いてモデルの弱点を適応的に探索し、次に検出された脆弱性箇所でターゲットとなるトレーニングデータを生成し、適応的スムーズなセーフガードはベースライン精度を保存する。 入力Denoisingコンポーネントは、物理関連機能を保ちながら敵のノイズをフィルタリングする学習可能なボトルネックで演算子アーキテクチャを増強する。 粘性バーガースの方程式のベンチマークでは、組み合わせたアプローチは2.04%の組合せエラー(1.21%のベースラインと0.83%の堅牢性)を達成し、標準トレーニングと比較して87%の削減(15.42%の組合せ)、アクティブラーニング単独(3.42%)と入力デノイング単独(5.22%)を上回ります。 より広範に、これまでの研究から得られたクロスアーキテクチャ脆弱性分析と組み合わせることで、ニューラル演算子の最適トレーニングデータがアーキテクチャに依存していることを示唆している。 これらの発見は、原子炉監視を含む安全クリティカルエネルギーシステムへの神経オペレーターの展開に潜在的に影響する可能性がある。

関連論文リスト

• rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks [1.2891210250935143]
  ニューラルネットワークのトレーニングを最小分散推定問題として定式化する。 本稿では,$S$-divergencesの一般クラスに基づく頑健な学習アルゴリズムであるrSDNetを紹介する。 この結果から,不均一なデータ汚染下での頑健なニューラルネットワーク分類の原則的,効果的な枠組みとして,最小分散学習が注目された。
  論文  参考訳（メタデータ） (2026-03-18T11:47:46Z)
• Differential Privacy in Two-Layer Networks: How DP-SGD Harms Fairness and Robustness [2.9327666088683664]
  本稿では,差分的にプライベートな勾配の特徴学習ダイナミクスを解析するための統合された特徴中心フレームワークを提案する。 プライバシに要求されるノイズが,最適機能学習ネットワークにつながることを実証する。
  論文  参考訳（メタデータ） (2026-03-05T07:19:31Z)
• Repulsor: Accelerating Generative Modeling with a Contrastive Memory Bank [65.00301565190824]
  mnameは、外部エンコーダを必要としない、プラグアンドプレイのトレーニングフレームワークである。 mnameは400kのステップでtextbf2.40 の最先端 FID を達成し、同等のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-09T14:39:26Z)
• Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments [5.8166742412657895]
  ディープニューラルネットワーク(DNN)は、さまざまなドメインで顕著な成功を収めているが、ノイズやトレーニングデータによってそのパフォーマンスが著しく低下する可能性がある。 本稿では,帰属誘導型データパーティショニング,識別的ニューロンプルーニング,およびノイズのあるサンプルの影響を軽減するための微調整を目的とした新しいフレームワークを提案する。 CIFAR-10の標準リトレーニングよりも約10%の絶対精度向上を実現し,ラベルノイズを注入した。
  論文  参考訳（メタデータ） (2025-06-13T09:37:11Z)
• INTACT: Inducing Noise Tolerance through Adversarial Curriculum Training for LiDAR-based Safety-Critical Perception and Autonomy [0.4124847249415279]
  本稿では、雑音の多いLiDARデータに対するディープニューラルネットワーク(DNN)の堅牢性を高めるために設計された新しいフレームワークを提案する。 IntACTは、メタラーニングと、敵対的なカリキュラムトレーニング(ACT)を組み合わせることで、3Dポイントクラウドにおけるデータの破損とスパーシリティによる課題に対処する。 IntACTの有効性は、オブジェクトの検出、追跡、分類ベンチマークに関する包括的な評価を通じて実証される。
  論文  参考訳（メタデータ） (2025-02-04T00:02:16Z)
• Camouflage is all you need: Evaluating and Enhancing Language Model Robustness Against Camouflage Adversarial Attacks [53.87300498478744]
  自然言語処理(NLP)における敵攻撃の意義 本研究は、脆弱性評価とレジリエンス向上という2つの異なる段階において、この課題を体系的に探求する。 結果として、パフォーマンスとロバスト性の間のトレードオフが示唆され、いくつかのモデルは、ロバスト性を確保しながら、同様のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2024-02-15T10:58:22Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• 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。