Fugu-MT 論文翻訳(概要): Adversarial Robustness of NTK Neural Networks

論文の概要: Adversarial Robustness of NTK Neural Networks

arxiv url: http://arxiv.org/abs/2604.25965v1
Date: Tue, 28 Apr 2026 04:49:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-30 15:59:36.108487
Title: Adversarial Robustness of NTK Neural Networks
Title（参考訳）: NTKニューラルネットワークの逆ロバスト性
Authors: Yuxuan Hou,
Abstract要約: 非パラメトリック回帰の文脈におけるNTKニューラルネットワークの対角強靭性について検討する。我々は,最小ノルム補間剤が敵の摂動に弱いことを証明した。
参考スコア（独自算出の注目度）: 0.8122270502556374
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning models are widely deployed in safety-critical domains, but remain vulnerable to adversarial attacks. In this paper, we study the adversarial robustness of NTK neural networks in the context of nonparametric regression. We establish minimax optimal rates for adversarial regression in Sobolev spaces and then show that NTK neural networks, trained via gradient flow with early stopping, can achieve this optimal rate. However, in the overfitting regime, we prove that the minimum norm interpolant is vulnerable to adversarial perturbations.
Abstract（参考訳）: ディープラーニングモデルは、安全クリティカルなドメインに広くデプロイされているが、敵の攻撃に弱いままである。本稿では,非パラメトリック回帰の文脈におけるNTKニューラルネットワークの対角的ロバスト性について検討する。我々は、ソボレフ空間における逆回帰の最小値の最適速度を確立し、その上で、早期停止を伴う勾配流を用いて訓練されたNTKニューラルネットワークが、この最適速度を達成することができることを示す。しかし、過度に適合する体制では、最小ノルム補間剤が敵の摂動に弱いことが証明される。

関連論文リスト

Lyapunov Stable Graph Neural Flow [29.626256068383437]
グラフニューラルネットワーク(GNN)は、トポロジと特徴の両方において、敵の摂動に対して非常に脆弱である。整数および分数次リアプノフ安定性を基礎とした新しい防衛枠組みを導入する。提案手法は,GNNの基本的な特徴更新ダイナミクスを制約し,理論的に証明可能な安定性保証を提供する。
論文参考訳（メタデータ） (2026-03-13T01:40:45Z)
Robust Spiking Neural Networks Against Adversarial Attacks [49.08210314590693]
スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングにおいて有望なパラダイムである。本研究では, 閾値近傍のスパイクニューロンが直接訓練されたSNNの堅牢性を制限する重要な要因であることを理論的に実証する。これらのニューロンは、敵の攻撃の最大電位強度の上限を設定しており、小さな障害の下では状態降下する傾向にある。
論文参考訳（メタデータ） (2026-02-24T05:06:12Z)
ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
論文参考訳（メタデータ） (2026-02-09T18:54:18Z)
Compositional Curvature Bounds for Deep Neural Networks [7.373617024876726]
安全クリティカルなアプリケーションにおけるニューラルネットワークの普及を脅かす重要な課題は、敵の攻撃に対する脆弱性である。本研究では, 連続的に微分可能な深層ニューラルネットワークの2次挙動について検討し, 対向摂動に対する堅牢性に着目した。ニューラルネットワークの第2微分の証明可能な上界を解析的に計算する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-07T17:50:15Z)
Universal Consistency of Wide and Deep ReLU Neural Networks and Minimax Optimal Convergence Rates for Kolmogorov-Donoho Optimal Function Classes [7.433327915285969]
我々は,ロジスティック損失に基づいて学習した広帯域および深部ReLUニューラルネットワーク分類器の普遍的整合性を証明する。また、ニューラルネットワークに基づく分類器が最小収束率を達成できる確率尺度のクラスに対して十分な条件を与える。
論文参考訳（メタデータ） (2024-01-08T23:54:46Z)
Sup-Norm Convergence of Deep Neural Network Estimator for Nonparametric Regression by Adversarial Training [5.68558935178946]
ニュートラルニューラルネットワーク推定器の超ノルム収束を,新しい対角トレーニング方式で示す。深部ニューラルネットワーク推定器は、補正付き対向訓練により、超ノルム感覚の最適率を達成する。
論文参考訳（メタデータ） (2023-07-08T20:24:14Z)
Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文参考訳（メタデータ） (2022-04-01T03:31:27Z)
Pruning in the Face of Adversaries [0.0]
ニューラルネットワークのプルーニングがL-0,L-2,L-infinity攻撃に対する対向的ロバスト性に及ぼす影響を評価する。その結果,ニューラルネットワークのプルーニングと対向ロバスト性は相互に排他的ではないことが確認された。分析を敵のシナリオに付加的な仮定を取り入れた状況にまで拡張し、状況によって異なる戦略が最適であることを示す。
論文参考訳（メタデータ） (2021-08-19T09:06:16Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)
Optimal Rates for Averaged Stochastic Gradient Descent under Neural Tangent Kernel Regime [50.510421854168065]
平均勾配勾配勾配は極小収束率が得られることを示す。本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
論文参考訳（メタデータ） (2020-06-22T14:31:37Z)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。