Fugu-MT 論文翻訳(概要): Adaptive Causal Alignment for High-Confidence Adversarial Training

論文の概要: Adaptive Causal Alignment for High-Confidence Adversarial Training

arxiv url: http://arxiv.org/abs/2606.03925v1
Date: Tue, 02 Jun 2026 17:14:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:05.209792
Title: Adaptive Causal Alignment for High-Confidence Adversarial Training
Title（参考訳）: 高信頼度対人訓練のための適応的因果アライメント
Authors: Zhiming Luo, Kejia Zhang, Yingxin Lai, Junwei Wu, Juanjuan Weng, Shaozi Li,
Abstract要約: 逆対逆トレーニングは、高信頼の予測を利用して、堅牢な学習を安定させる。セマンティック・エクイリビリウム(Semantic Equilibrium)を確立する統合フレームワークであるHICAT(High-Confidence Causally Aligned Training)を提案する。
参考スコア（独自算出の注目度）: 32.04694519643468
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inverse adversarial training leverages high-confidence predictions to stabilize robust learning, yet we uncover a critical paradox: high confidence often stems from overfitting to non-causal background correlations rather than intrinsic object semantics. Our investigation reveals that visual context functions as a dual-natured signal, serving as either a necessary supportive prior or a spurious confounder. This insight renders existing blind suppression strategies flawed, as they inevitably lead to severe Feature Loss. To resolve this, we propose High-Confidence Causally Aligned Training (HICAT), a unified framework that establishes a Semantic Equilibrium. Operating on a ``Measure-Debias-Align'' pipeline, HICAT integrates a Learnable Background-Bias Estimator (LBBE) to adaptively diagnose context utility. Guided by this diagnosis, an Adaptive Debiasing mechanism performs surgical logit rectification, complemented by a geometrically grounded Foreground Logit Orthogonal Enhancement (FLOE) loss to enforce rigorous feature disentanglement. Extensive experiments on CIFAR-10, CIFAR-100, and ImageNet-1K demonstrate that HICAT consistently improves over matched baselines across diverse architectures (CNNs and ViTs) while significantly reducing the robust generalization gap.
Abstract（参考訳）: 逆敵対的トレーニングは、高信頼の予測を利用して頑健な学習を安定させるが、重要なパラドックスを明らかにする。我々の研究は、視覚的コンテキストが二重機能信号として機能し、必要な支援先または刺激的な共同設立者の役割を担っていることを明らかにした。この洞察は、必然的に深刻な機能喪失につながるため、既存の盲目的抑制戦略に欠陥を生じさせる。これを解決するために,セマンティック・エクイリビリウムを確立する統合フレームワークであるHigh-Confidence Causally Aligned Training (HICAT)を提案する。 HICATは `Measure-Debias-Align''パイプラインで動作し、Learningable background-Bias Estimator (LBBE)を統合してコンテキストユーティリティを適応的に診断する。この診断によって、適応的脱バイアス機構は、厳密な特徴の絡み合いを強制するために、幾何的に接地された前景の対物矯正(FLOE)の損失を補完する外科的対物矯正を行う。 CIFAR-10、CIFAR-100、ImageNet-1Kの大規模な実験により、HICATは多様なアーキテクチャ(CNNとViT)で一致したベースラインを一貫して改善し、堅牢な一般化ギャップを著しく低減することを示した。

関連論文リスト

Geometry-Aware Contrastive Learning for Few-Shot Automatic Modulation Recognition [5.310289270050359]
Dynamic-Adaptive Contrastive Learning (DyCo-CL)は、Virtual Adrialversa Augmentation(VAA)とセマンティック一貫性の損失を結合した幾何学的フレームワークである。 DyCo-CLは1ショット設定での精度が6.27%向上した。
論文参考訳（メタデータ） (2026-05-26T06:33:57Z)
PDCR: Perception-Decomposed Confidence Reward for Vision-Language Reasoning [80.94559742826083]
Reinforcement Learning with Verifiable Rewards (RLVR) は伝統的に、粗末で結果に基づく信号に依存している。近年の研究では,高コストな外部モデルを必要としないステップレベルのガイダンスを提供することで,詳細なモデル固有の信号を提供することで,言語推論のトレーニングを効果的に向上することが示された。一助文には有効であるが,この大域的な報酬を視覚言語推論(V-L)に適用することは準最適戦略である。本稿では、報酬構造とタスクの不均一な性質を整合させることにより、この問題を解決するフレームワークであるパーセプション分解信頼回復(PDCR:Perception-Decomposed Confidence Reward)を提案する。
論文参考訳（メタデータ） (2026-05-13T12:55:18Z)
Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文参考訳（メタデータ） (2026-05-05T14:48:52Z)
Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Less Approximates More: Harmonizing Performance and Confidence Faithfulness via Hybrid Post-Training for High-Stakes Tasks [52.81286869496811]
大規模な言語モデルは、自信を持って不正確な推論が現実世界の害を引き起こすような、ハイテイクなタスクにますますデプロイされている。内的フィードバックからの教師なし強化学習と推論・トラス誘導型推論蒸留を併用して協調的に最適化することを提案する。 PRG方式のメトリクスを用いてRDとRLIFを適応的に重み付けするハイブリッドポストトレーニングフレームワークであるHyTuningを紹介する。
論文参考訳（メタデータ） (2026-04-09T16:50:11Z)
Explainability-Guided Defense: Attribution-Aware Model Refinement Against Adversarial Data Attacks [6.573058520271728]
私たちは、トレーニング中に直接活用できる、解釈可能性と堅牢性との関連性を特定します。本稿では,局所解釈可能なモデル非依存表現をアクティブな訓練信号に変換する属性誘導型改良フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-02T19:36:03Z)
OptiGradTrust: Byzantine-Robust Federated Learning with Multi-Feature Gradient Analysis and Reinforcement Learning-Based Trust Weighting [3.112384742740621]
Federated Learning (FL)は、患者プライバシを保護しながら、分散医療機関間で協調的なモデルトレーニングを可能にする。我々は,新しい6次元指紋による更新を評価する総合的な防衛フレームワークOptiGradTrustを提案する。我々はフェデレートバッチ正規化と正規化を組み合わせたFedBN-ProxFedBN-Pを開発した。
論文参考訳（メタデータ） (2025-07-31T15:14:36Z)
Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
論文参考訳（メタデータ） (2024-10-07T23:32:06Z)
Towards Adversarial Robustness via Debiased High-Confidence Logit Alignment [24.577363665112706]
逆敵攻撃下では、高信頼出力は偏りのある特徴アクティベーションに影響される。この急激な相関バイアスは、敵の訓練中に無関係な背景特徴を過度に適合させる。本稿では, 障害のある高信頼度ロジットと障害のある高信頼度ロジットを整合させる新しいアプローチとして, 障害のある高信頼度ロジット訓練(DHAT)を提案する。
論文参考訳（メタデータ） (2024-08-12T11:56:06Z)

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。