論文の概要: Adaptive Equilibrium: Dynamic Weighting Framework for Generalized Interruption of DeepFake Models

• arxiv url: http://arxiv.org/abs/2605.00443v1
• Date: Fri, 01 May 2026 06:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.872558
• Title: Adaptive Equilibrium: Dynamic Weighting Framework for Generalized Interruption of DeepFake Models
• Title（参考訳）: Adaptive Equilibrium:DeepFakeモデルの一般化割り込みのための動的重み付けフレームワーク
• Authors: Hongrui Zheng, Liejun Wang, Zhiqing Guo,
• Abstract要約: 我々は、高度で均一な効率を達成するためには、適応均衡に達することでこの不均衡を解決する必要があると論じる。 本稿では、リアルタイム損失フィードバックを利用した動的重み付け機構を用いて、最も耐性のあるモデルにより大きな割り込み重み付けを適応的に割り当てるAdaptive Equilibrium Framework(AEF)を提案する。
• 参考スコア（独自算出の注目度）: 24.55206893241103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of generalized deepfake disruption is constrained by the interruption imbalance, a fundamental bottleneck inherent to the generation of universal perturbations. We reveal that conventional static gradient normalization fundamentally struggles to resolve architectural conflicts, causing the optimization to bias towards susceptible models while neglecting resistant ones. We argue that achieving high and uniform effectiveness requires resolving this imbalance by reaching an adaptive equilibrium. We propose the Adaptive Equilibrium Framework (AEF), which employs a dynamic weighting mechanism that utilizes real-time loss feedback to adaptively assign greater interruption weights to the most resistant models. This approach shifts the optimization from an average-case problem to finding a dynamic balance, driving the perturbation to a uniformly effective equilibrium state. Comprehensive experiments validate that AEF achieves a more balanced interruption performance, maintaining a consistent interruption success rate across the evaluated diverse architectures.
• Abstract（参考訳）: 一般化されたディープフェイク破壊の進行は、普遍的摂動の発生に固有の根本的なボトルネックである割り込み不均衡によって制約される。 従来の静的勾配正規化は、アーキテクチャ上の矛盾を解決するのに基本的に苦労し、耐性のあるモデルを無視しながら、許容可能なモデルに偏りを生じさせる。 我々は、高度で均一な効率を達成するためには、適応均衡に達することでこの不均衡を解決する必要があると論じる。 本稿では、リアルタイム損失フィードバックを利用した動的重み付け機構を用いて、最も耐性のあるモデルにより大きな割り込み重み付けを適応的に割り当てるAdaptive Equilibrium Framework(AEF)を提案する。 このアプローチは、最適化を平均ケース問題から動的バランスの発見にシフトさせ、摂動を一様に有効な平衡状態に導く。 総合的な実験は、AFFがよりバランスの取れた割り込み性能を達成し、評価された多様なアーキテクチャ間で一貫した割り込み成功率を維持することを検証する。

関連論文リスト

• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Adaptive Momentum and Nonlinear Damping for Neural Network Training [1.0149624140985478]
  本稿では,各モデルパラメータの運動エネルギーによって制御される個別の適応運動量係数を導入する,大規模最適化のための連続時間スキームを提案する。 適応摩擦は構造力学からの抑制機構である立方減衰と関係があることを実証する。
  論文  参考訳（メタデータ） (2026-01-30T21:35:55Z)
• Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
  既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。 本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。 提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
  論文  参考訳（メタデータ） (2025-12-19T12:56:17Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Weight for Robustness: A Comprehensive Approach towards Optimal Fault-Tolerant Asynchronous ML [8.419845742978985]
  非同期システムは、ビザンツの失敗に対する完全性を維持するのに苦労する。 これらの問題に対処するために、新しい重み付けされたロバストアグリゲーションフレームワークを導入します。 非同期なビザンチン環境において, 最適収束率を初めて達成する。
  論文  参考訳（メタデータ） (2025-01-16T16:00:52Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Improving Adversarial Robustness of DEQs with Explicit Regulations Along the Neural Dynamics [26.94367957377311]
  ディープ・平衡(DEQ)モデルは、従来のディープ・ネットワークの多重層積み重ねを単一層変換の固定点反復で置き換える。 既存の作業は、広く使われている対戦訓練(AT)フレームワークで一般的なDECモデルの堅牢性を改善するが、DECモデルの構造的特異性を利用するには至らなかった。 ニューラルダイナミクスに沿って入力を段階的に更新することで予測エントロピーを低減することを提案する。 我々の手法はDECモデルのロバスト性を大幅に向上させ、強力なディープネットワークベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-06-02T10:49:35Z)

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。