論文の概要: Certified geometric robustness -- Super-DeepG

• arxiv url: http://arxiv.org/abs/2604.24379v1
• Date: Mon, 27 Apr 2026 12:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.982883
• Title: Certified geometric robustness -- Super-DeepG
• Title（参考訳）: 認証幾何ロバスト性 -- Super-DeepG
• Authors: Noémie Cohen, Mélanie Ducoffe, Christophe Gabreau, Claire Pagetti, Xavier Pucel,
• Abstract要約: 本稿では,画像データセット上の幾何摂動に対するニューラルネットワークの形式的検証について述べる。 提案手法は線形緩和法やリプシッツ最適化で用いられる推論を改善する。 Super-DeepGは認証の精度と計算効率の両方を達成し、事前の作業よりも優れています。
• 参考スコア（独自算出の注目度）: 0.8318686824572801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safety-critical applications are required to perform as expected in normal operations. Image processing functions are often required to be insensitive to small geometric perturbations such as rotation, scaling, shearing or translation. This paper addresses the formal verification of neural networks against geometric perturbations on their image dataset. Our method Super-DeepG improves the reasoning used in linear relaxation techniques and Lipschitz optimization, and provides an implementation that leverages GPU hardware. By doing so, Super-DeepG achieves both precision and computational efficiency of robustness certification, to an extent that outperforms prior work. Super-DeepG is shared as an open-source tool on GitHub.
• Abstract（参考訳）: 安全クリティカルなアプリケーションは、通常の操作で期待通りに実行する必要がある。 画像処理機能は、回転、スケーリング、せん断、翻訳のような小さな幾何学的摂動に敏感でなければならないことが多い。 本稿では,画像データセット上の幾何摂動に対するニューラルネットワークの形式的検証について述べる。 我々の手法であるSuper-DeepGは線形緩和法やリプシッツ最適化で用いられる推論を改善し、GPUハードウェアを活用する実装を提供する。 これにより、Super-DeepGはロバストネス認証の精度と計算効率の両方を達成し、それ以前の作業より優れる程度に向上する。 Super-DeepGはGitHubのオープンソースツールとして共有されている。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• GeoRA: Geometry-Aware Low-Rank Adaptation for RLVR [10.820638016337869]
  RL更新部分空間の異方性と圧縮性を利用したGeoRAを提案する。 GeoRAは、幾何学的ミスアライメントによる最適化ボトルネックを緩和する。 主要な数学ベンチマークで確立された低ランクのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-14T10:41:34Z)
• GVSynergy-Det: Synergistic Gaussian-Voxel Representations for Multi-View 3D Object Detection [18.809986709717446]
  画像に基づく3Dオブジェクト検出は、RGB画像のみを使用して3D空間内のオブジェクトを識別およびローカライズすることを目的としている。 既存の画像ベースのアプローチは、2つの重要な課題に直面している。 本稿では,GVSynergy-Detを提案する。GVSynergy-Detは,相乗的ガウス・ボクセル表現学習による3次元検出を強化するフレームワークである。
  論文  参考訳（メタデータ） (2025-12-29T03:34:39Z)
• Fast 2DGS: Efficient Image Representation with Deep Gaussian Prior [21.89104780995278]
  Fast-2DGSは効率的なガウス画像表現のための軽量なフレームワークである。 本稿では,ガウスプリミティブの空間分布を捉えるための条件付きネットワークとして実装されたDeep Gaussian Priorを紹介する。 実験により、この非絡み合ったアーキテクチャは、1つの前方通過で高品質な再構築を実現し、次いで最小限の微調整を行うことが示された。
  論文  参考訳（メタデータ） (2025-12-14T17:23:28Z)
• Non-Singularity of the Gradient Descent map for Neural Networks with Piecewise Analytic Activations [53.348574336527854]
  重みとバイアスの空間上の関数としてのニューラルネットワークマップについて検討する。 我々は、現実的なニューラルネットワークアーキテクチャの損失ランドスケープにおける勾配降下(GD)マップの非特異性を初めて証明した。
  論文  参考訳（メタデータ） (2025-10-28T14:34:33Z)
• TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
  本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。 TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。 TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T16:20:23Z)
• Stochastic Gradient Descent outperforms Gradient Descent in recovering a high-dimensional signal in a glassy energy landscape [4.73194777046253]
  Gradient Descent (SGD) は、ニューラルネットワークのトレーニングに広く使われている平衡外アルゴリズムである。 SGD は GD よりも十分小さいバッチサイズで性能が優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-09T13:29:17Z)
• Deep Generalized Unfolding Networks for Image Restoration [16.943609020362395]
  画像復元のためのDeep Generalized Unfolding Network (DGUNet)を提案する。 我々は、勾配推定戦略をPGDアルゴリズムの勾配降下ステップに統合する。 我々の手法は、最先端の性能、解釈可能性、一般化可能性の点で優れている。
  論文  参考訳（メタデータ） (2022-04-28T08:39:39Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。