論文の概要: Laplace-Bridged Randomized Smoothing for Fast Certified Robustness

• arxiv url: http://arxiv.org/abs/2604.24993v1
• Date: Mon, 27 Apr 2026 20:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.596015
• Title: Laplace-Bridged Randomized Smoothing for Fast Certified Robustness
• Title（参考訳）: 高速認証ロバストネスのためのラプラスブリッジランダム化平滑化
• Authors: Miao Lin, MD Saifur Rahman Mazumder, Feng Yu, Daniel Takabi, Rui Ning,
• Abstract要約: Laplace-Bridged Smoothing (LBS) はランダム化Smoothing (RS) の解析的再構成である NVIDIA Jetson Orin NanoとRaspberry Pi 4では、LBSは最大494タイムのスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 6.735531892653216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Randomized Smoothing (RS) offers formal $\ell_2$ guarantees for arbitrary base classifiers but faces two key practical bottlenecks: (i) it often relies on noise-augmented training to achieve nontrivial certificates, which increases training cost, can reduce clean accuracy, and weakens RS as a genuinely post-hoc defense; and (ii) certification is computationally expensive, typically requiring tens of thousands of noisy forward passes per input, which hinders deployment, especially on resource-constrained edge devices. To address both limitations, we propose Laplace-Bridged Smoothing (LBS), an analytic reformulation of RS that replaces high-dimensional input-space Monte Carlo (MC) sampling with efficient computations in a low-dimensional probability space. LBS preserves formal robustness guarantees without requiring noise-augmented training while substantially reducing certification burden. On CIFAR-10 and ImageNet, LBS attains stronger certified robustness than RS and reduces per-sample certification cost by nearly an order of magnitude. Notably, on NVIDIA Jetson Orin Nano and Raspberry Pi 4, LBS achieves speedups of up to $494\times$, enabling practical certified deployment on real-world edge devices. Finally, we provide theoretical justification for the analytic formulation and certificate validity of LBS.
• Abstract（参考訳）: Randomized Smoothing (RS) は任意の基底分類器に対して$\ell_2$の保証を提供するが、2つの主要な実用的なボトルネックに直面している。 (i)訓練コストを増大させ、クリーンな精度を低下させ、真にポストホック防衛としてのRSを弱める非自明な証明書を達成するために、騒音増強訓練に頼ることが多い。 (ii)認証は計算コストが高く、通常、入力毎に数万のノイズの多いフォワードパスを必要とするため、特にリソース制約のあるエッジデバイスでは、デプロイメントを妨げます。 両制約に対処するため,高次元入力空間モンテカルロ(MC)サンプリングを低次元確率空間で効率的な計算で置き換えたRSの解析的再構成であるLaplace-Bridged Smoothing (LBS)を提案する。 LBSは、騒音増強訓練を必要とせずに正式な堅牢性を保証すると同時に、認定負担を大幅に軽減する。 CIFAR-10 と ImageNet では、LBS は RS よりも強力な認証ロバスト性を獲得し、サンプル単位の認証コストをほぼ1桁削減する。 特にNVIDIA Jetson Orin NanoとRaspberry Pi 4では、LBSは最大494\times$のスピードアップを実現している。 最後に、LBSの分析定式化と証明の妥当性に関する理論的正当性を示す。

関連論文リスト

• Efficient and Stable Reinforcement Learning for Diffusion Language Models [59.75789436018925]
  拡散型大規模言語モデル(dLLM)の複雑な推論能力を解き放つには強化学習(RL)が不可欠である dLLMの適用は、効率と安定性において、ユニークな課題に直面します。 本稿では,dLLMに対するRLの効率性と安定性を同時に向上するフレームワークであるスポース・テンポラル・プルーニング(STP)を提案する。
  論文  参考訳（メタデータ） (2026-02-09T17:04:23Z)
• Cascading Robustness Verification: Toward Efficient Model-Agnostic Certification [1.6105236927161437]
  不完全検証は効率よくスケールし、ロバスト性検証のコストを削減する。 CRVはモデルに依存しない検証器であり、堅牢性を保証することはモデルのトレーニングプロセスとは無関係である。 我々は,CRVが,強力だが計算コストのかかる不完全検証器と比較して,同等あるいは高い精度で検証可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T05:54:08Z)
• Probabilistically Tightened Linear Relaxation-based Perturbation Analysis for Neural Network Verification [83.25968588249776]
  本稿では,LiRPAに基づく手法とサンプリングに基づく手法を組み合わせることで,厳密な中間到達性集合を計算できる新しいフレームワークを提案する。 無視可能な計算オーバーヘッドでは、$textttPT-LiRPA$は推定された到達可能な集合を利用し、ニューラルネットワークの出力の上下線形境界を著しく締め付ける。
  論文  参考訳（メタデータ） (2025-07-07T18:45:53Z)
• Certified Robustness for Deep Equilibrium Models via Serialized Random Smoothing [12.513566361816684]
  Deep Equilibrium Models (DEQ)のような暗黙のモデルは、ディープニューラルネットワークを構築するための有望な代替アプローチとして現れている。 決定論的認証手法を用いた既存のDECの認証防御は、大規模なデータセットでは認証できない。 我々はこれらの制限を解決するために、DECに対する最初のランダム化スムーズな認証防御を提供する。
  論文  参考訳（メタデータ） (2024-11-01T06:14:11Z)
• Incremental Randomized Smoothing Certification [5.971462597321995]
  ごく少数のサンプルで近似モデルの認証を行うために、元のスムーズなモデルに対する認証保証を再利用する方法を示す。 提案手法の有効性を実験的に実証し,スクラッチから近似モデルのランダムな平滑化を適用した認証に対して,最大3倍の認証スピードアップを示す。
  論文  参考訳（メタデータ） (2023-05-31T03:11:15Z)
• 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)
• Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
  本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
  論文  参考訳（メタデータ） (2021-12-21T12:16:03Z)
• Certified Defense via Latent Space Randomized Smoothing with Orthogonal Encoders [13.723000245697866]
  ネットワークの潜在空間におけるランダムなスムース化とロバストな認証の確立の可能性について検討する。 我々は、リプシッツの性質が設計上自由であることが知られている加群を用いて、潜在空間で推定される証明された半径を入力空間に伝播する。 CIFAR10 と ImageNet を用いた実験により,テスト期間中に高い効率向上を図った。
  論文  参考訳（メタデータ） (2021-08-01T16:48:43Z)
• Fast Certified Robust Training via Better Initialization and Shorter Warmup [95.81628508228623]
  我々は,新しいIPPと原理正規化器を提案し,認証境界を安定化させる。 バッチ正規化(BN)は、認定トレーニングのための最高のパフォーマンスのネットワークを構築するための重要なアーキテクチャ要素です。
  論文  参考訳（メタデータ） (2021-03-31T17:58:58Z)

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。