論文の概要: Dissociating spatial frequency reliance from adversarial robustness advantages in neurally guided deep convolutional neural networks

• arxiv url: http://arxiv.org/abs/2605.04443v1
• Date: Wed, 06 May 2026 03:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.61936
• Title: Dissociating spatial frequency reliance from adversarial robustness advantages in neurally guided deep convolutional neural networks
• Title（参考訳）: ニューラル誘導深部畳み込みニューラルネットワークにおける対向ロバスト性優位性からの空間周波数依存性の解離
• Authors: Zhenan Shao, Tianyu Ren, Chengxiao Wang, Leyla Isik, Diane M. Beck,
• Abstract要約: 近年の研究では、DCNN表現と人間の視覚野の活動との整合性は、対向的ロバスト性を改善することが示されている。 1つの仮説は、ニューラルアライメントは、不安定な高周波の詳細から低空間周波数(LSF)へのモデル偏差によってロバスト性をもたらすことを示唆している。 本稿では,LSFとヒトのチャネルに対するスペクトルバイアスが,ニューラルアライメントDCNNで観測される対向ロバスト性の主要な要因であるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 6.784661943290703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep convolutional neural networks (DCNNs) have rivaled humans on many visual tasks, yet they remain vulnerable to near-imperceptible perturbations generated by adversarial attacks. Recent work shows that aligning DCNN representations with human visual cortex activity improves adversarial robustness, but the mechanisms driving this advantage are unclear. One hypothesis suggests that neural alignment confers robustness by biasing models away from brittle high-frequency details and towards the low spatial frequencies (LSF). However, recent work shows that human object recognition critically depends on a narrow, mid-frequency "human channel". Interestingly, this band was partially preserved in prior LSF-focused studies. Here, we investigate whether a spectral bias towards the LSF or the human channel is the primary driver of the adversarial robustness observed in neurally aligned DCNNs. We first show that DCNNs aligned to higher-order regions of the human ventral visual stream systematically increase reliance on both LSF and the human channel. However, directly steering DCNNs towards these bands revealed a clear dissociation. Biasing models towards the human channel, either alone or together with LSF, does not improve robustness and even impairs it. LSF bias produced some robustness gains, but such improvements are modest despite inducing much larger shifts in spatial-frequency reliance than neurally aligned models. Spatial-frequency-biased models overall show little, if any, increase in similarity to human neural representational geometry. Together, our results suggest that altered spatial-frequency reliance is likely an emergent property of learning more human-like representations rather than the primary mechanism by which neural alignment confers adversarial robustness, and motivate the need for future research examining representational properties beyond spatial-frequency profiles.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(DCNN)は多くの視覚的タスクにおいて人間と競合しているが、敵の攻撃によって生じるほとんど知覚できない摂動に弱いままである。 近年の研究では、DCNN表現と人間の視覚野の活動との整合性は対角強靭性を改善するが、この優位性を促進するメカニズムは明らかでない。 1つの仮説は、ニューラルネットワークアライメントは、不安定な高周波の詳細から低空間周波数(LSF)へのモデル偏差によってロバスト性をもたらすことを示唆している。 しかし、近年の研究では、人間の物体認識は狭い中頻度の「人間チャネル」に依存していることが示されている。 興味深いことに、このバンドは以前のLSF研究で部分的に保存されていた。 本稿では,LSFとヒトのチャネルに対するスペクトルバイアスが,ニューラルアライメントDCNNで観測される対向ロバスト性の主要な要因であるかどうかを考察する。 我々はまず,ヒト腹側視覚ストリームの高次領域に整列したDCNNが,LSFとヒトのチャネルの両方への依存性を体系的に増大させることを示す。 しかし、DCNNをこれらのバンドに向けて直接運営することは明らかな解離を明らかにした。 単体でもLSFと一緒にも、人間のチャネルへのバイアスモデルでは、堅牢性は向上せず、障害さえも生じない。 LSFバイアスはいくつかの堅牢性向上を生んだが、そのような改善はニューラル整列モデルよりも空間周波数依存度が大きく変化したにもかかわらず、控えめである。 空間周波数バイアスモデル全体では、人間の神経表現幾何学との類似性がほとんどない。 この結果から, 空間周波数依存の変化は, 対向的強靭性を示す一次的メカニズムよりも, より人間的な表現を学習し, 空間周波数プロファイルを超えて表現性を調べることの必要性が示唆された。

関連論文リスト

• 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)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Revealing higher-order neural representations of uncertainty with the Noise Estimation through Reinforcement-based Diffusion (NERD) model [0.0]
  ノイズ予測」HORは、脳が自身のノイズについて学ぶ必要があるかもしれないタスクのニューラルデータを用いて研究する。 本研究は, 強化型拡散モデルによる騒音推定手法を開発し, 応用するものである。
  論文  参考訳（メタデータ） (2025-03-18T15:08:19Z)
• Understanding the Convergence in Balanced Resonate-and-Fire Neurons [1.4186974630564675]
  Resonate-and-Fire(RF)ニューロンは、スパイキングニューラルネットワーク(SNN)におけるインテグレーターニューロンの興味深い補体モデルである 最近提案されたリゾネート・アンド・ファイア(BRF)ニューロンは、タスク性能、スパイク、パラメータ効率において重要な方法論的進歩を示した。 本稿は、これらの収束優位性の出現の経緯と理由について、さらなる直感を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T10:04:55Z)
• Probing Human Visual Robustness with Neurally-Guided Deep Neural Networks [18.994287352758697]
  人間は力ずくでダイナミックな視覚世界をナビゲートするが、深層ニューラルネットワーク(DNN)は驚くほど小さなイメージの摂動に弱い。 過去の理論は、人間の視覚的堅牢性は、脳の腹側視覚ストリーム(VVS)に沿って進化する表現空間から生じ、ますます許容される物体の変換によって生じることを示唆している。 DNNのロバスト性は階層的に改善され,高次VVS領域との整合性が向上する。
  論文  参考訳（メタデータ） (2024-05-04T04:33:20Z)
• Fixed Inter-Neuron Covariability Induces Adversarial Robustness [26.878913741674058]
  敵対的摂動の脆弱性はディープニューラルネットワーク(DNN)の重大な欠陥である 我々は,各ニューロンが固定された,しかし学習された共変性パターンに従うように,活性化が互いに一致したニューロンからなる自己持続活性化層を開発した。 SCA層を持つモデルは高い精度を達成し、対向的な摂動データでトレーニングされることなく、最先端のAuto-PGD攻撃に対して多層パーセプトロンモデルよりもはるかに堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-07T23:46:14Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
  畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。 本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。 最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
  論文  参考訳（メタデータ） (2021-08-16T03:58:00Z)
• Universal Adversarial Perturbations Through the Lens of Deep Steganography: Towards A Fourier Perspective [78.05383266222285]
  人間の知覚不能な摂動は、ほとんどの画像のディープニューラルネットワーク(DNN)をだますために生成することができる。 ディープステガノグラフィタスクでは同様の現象が観測されており、デコーダネットワークはわずかに乱れたカバー画像から秘密の画像を取得することができる。 1)攻撃と隠蔽を同時に行うユニバーサル・シークレット・アドバイサル・パーターベーション(USAP)、(2)人間の目では見えないハイパスUAP(HP-UAP)の2つの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:26:39Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)

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。