論文の概要: TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers

• arxiv url: http://arxiv.org/abs/2605.08440v1
• Date: Fri, 08 May 2026 20:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.646106
• Title: TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers
• Title（参考訳）: TARO:拡散モデルを用いた時間逆整流最適化
• Authors: Daniel Wesego, Pedram Rooshenas,
• Abstract要約: 拡散モデルによる逆の浄化は、データ多様体に向けて逆の例を投影しようとする。 最近の研究によると、標準拡散浄化は適応的な評価で失敗する可能性があり、テスト時間スコアに基づく最適化はより弾力性が高い。 本稿では,複数の認知的視点に先行して時間的に導出されたスコアを構築する推論時間浄化法TAROを提案する。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial purification with diffusion models seeks to project adversarial examples back toward the data manifold, but balancing semantic preservation and robustness against adaptive attacks remains challenging. Recent work shows that standard diffusion purification can fail under adaptive evaluation, while test-time score-based optimization is more resilient. Existing optimization defenses, however, typically rely on a single diffusion noise regime or treat timesteps uniformly, overlooking the distinct roles of coarse and fine denoising scales. We propose Temporal Adversarial Rectification Optimization (TARO), an inference-time purification method that builds a temporally guided score prior from multiple denoising views along the diffusion trajectory. TARO forms a coarse-to-fine residual target: high-noise experts provide globally smoothed structure with reduced adversarial sensitivity, while low-noise experts restore image-specific, class-relevant details. A guidance strength controls this temporal correction, allowing TARO to balance robust global rectification with semantic preservation. Empirically, TARO improves robust accuracy across datasets and adaptive threat models in a zero-shot setting, while remaining compatible with complementary adversarial-likelihood objectives for further robustness gains.
• Abstract（参考訳）: 拡散モデルによる敵対的浄化は、データ多様体に向けて敵対的な例を投影しようとするが、意味的保存と適応攻撃に対する堅牢性のバランスは依然として困難である。 最近の研究によると、標準拡散浄化は適応的な評価で失敗する可能性があり、テスト時間スコアに基づく最適化はより弾力性が高い。 しかし、既存の最適化防御は、通常、単一の拡散ノイズレジーム、あるいはタイムステップを均一に扱うことに依存しており、粗い音階と微妙な音階の異なる役割を見落としている。 本稿では,拡散軌道に沿った複数の認知的視点から,時間的ガイド付きスコアを構築する推論時間浄化法TAROを提案する。 TAROは粗く微細な残留目標を形成し、高ノイズの専門家は、対角感度を低下させるグローバルな滑らかな構造を提供し、低ノイズの専門家は、画像固有のクラス関連の詳細を復元する。 誘導強度は、この時間的補正を制御し、TAROはロバストなグローバルな修正とセマンティックな保存のバランスをとることができる。 実証的には、TAROはゼロショット設定でデータセットと適応脅威モデル間の堅牢な精度を改善し、相補的な敵対的な目的と互換性を持ち、さらなる堅牢性向上を実現している。

関連論文リスト

• SPREG: Structured Plan Repair with Entropy-Guided Test-Time Intervention for Large Language Model Reasoning [23.62252234067012]
  大きな言語モデル(LLM)は、長い鎖の推論の間、論理的な幻覚やドリフトを起こす傾向がある。 本稿では,SPREG(Structured Plan-Guided Real-time Entropy Gating)を提案する。 実験の結果,AIME25の絶対精度は20.0%向上した。
  論文  参考訳（メタデータ） (2026-04-20T06:55:26Z)
• Learning Robustness at Test-Time from a Non-Robust Teacher [3.723585565253798]
  この研究は、教師なしテスト時間設定の適応スキームに統合された場合、敵のトレーニング戦略がどのように振る舞うかを研究する。 クリーンかつ対向的な目的の両方のセマンティックアンカーとして,非ロバスト教師モデルの予測を利用するラベルフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-13T15:05:21Z)
• Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
  逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。 結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
  論文  参考訳（メタデータ） (2025-11-23T14:37:59Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Adversarial Purification by Consistency-aware Latent Space Optimization on Data Manifolds [48.37843602248313]
  ディープニューラルネットワーク(DNN)は、クリーンデータに知覚不能な摂動を加えることで作られた敵のサンプルに対して脆弱であり、誤った危険な予測につながる可能性がある。 本稿では、事前学習された一貫性モデルの潜在空間内のベクトルを最適化し、クリーンなデータを復元するためのサンプルを生成する、一貫性モデルに基づく適応的パーフィケーション(CMAP)を提案する。 CMAPは、高い自然な精度を維持しながら、強力な敵攻撃に対する堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-12-11T14:14:02Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive Diffusion [70.60038549155485]
  ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、自律運転のような安全クリティカルなアプリケーションに脅威をもたらす。 本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:32:43Z)

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。