論文の概要: T-VSS: Test-Time Visual Subspace Steering for Adversarial Robustness of Vision-Language Models

• arxiv url: http://arxiv.org/abs/2606.23132v1
• Date: Mon, 22 Jun 2026 10:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:51:42.461128
• Title: T-VSS: Test-Time Visual Subspace Steering for Adversarial Robustness of Vision-Language Models
• Title（参考訳）: T-VSS:視覚言語モデルの逆ロバスト性のためのテスト時間ビジュアルサブスペースステアリング
• Authors: Jaehyuk Jang, Minseok Seo. Seungju Cho, Kangwook Ko, Changick Kim,
• Abstract要約: 視覚言語モデル(VLM)は強力なゼロショット認識を実現するが、敵の摂動に対して非常に脆弱である。 最近のテストタイム適応は、リトレーニングなしで堅牢性を改善するが、これらは、破損した視覚表現そのものを直接適応しない。 視覚的特徴空間内で直接テスト時適応を行う軽量ディフェンスであるテスト時ビジュアルサブスペースステアリング(T-VSS)を提案する。
• 参考スコア（独自算出の注目度）: 30.000286470806355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) achieve strong zero-shot recognition, but they remain highly vulnerable to adversarial perturbations. Recent test-time adaptations improve robustness without retraining, but they do not directly adapt the corrupted visual representation itself. Prompt-based methods adapt the learnable text prompts, while input-space methods optimize pixels or padding at test time. These approaches can improve predictions, but they do so through an indirect and expensive optimization path. We propose Test-time Visual Subspace Steering (T-VSS), a lightweight defense that performs test-time adaptation directly in the visual feature space. T-VSS first builds a sample-specific low-rank subspace from multi-view feature residuals anchored at the attacked image. It then learns a shared feature correction within this subspace using reliability-weighted entropy minimization. By constraining adaptation to a compact visual geometry, T-VSS steers attacked features toward more stable and discriminative predictions while avoiding noisy full-space updates. Experiments on fine-grained, ImageNet, and ImageNet-OOD benchmarks show that T-VSS improves adversarial robustness while maintaining competitive clean accuracy and better efficiency than prior test-time adaptations.
• Abstract（参考訳）: 視覚言語モデル(VLM)は強力なゼロショット認識を実現するが、敵の摂動に対して非常に脆弱である。 最近のテストタイム適応は、リトレーニングなしで堅牢性を改善するが、これらは、破損した視覚表現そのものを直接適応しない。 Promptベースのメソッドは学習可能なテキストプロンプトに適応し、入力空間メソッドはテスト時にピクセルやパディングを最適化する。 これらのアプローチは予測を改善することができるが、間接的かつ高価な最適化パスを通じて行うことができる。 視覚的特徴空間内で直接テスト時適応を行う軽量ディフェンスであるテスト時ビジュアルサブスペースステアリング(T-VSS)を提案する。 T-VSSはまず、攻撃された画像に固定されたマルチビュー特徴残基からサンプル固有の低ランク部分空間を構築する。 その後、信頼性重み付きエントロピー最小化を用いて、この部分空間内で共有特徴補正を学習する。 コンパクトな視覚幾何学への適応を制限することにより、T-VSSステアは、ノイズの多いフルスペース更新を避けながら、より安定的で差別的な予測に向けて機能を攻撃した。 きめ細かい、ImageNet、ImageNet-OODベンチマークの実験では、T-VSSは競合するクリーンな精度を維持し、以前のテスト時間適応よりも優れた効率を維持しながら、敵の堅牢性を改善する。

関連論文リスト

• Geometry-Aware Semantic Reasoning for Training Free Video Anomaly Detection [9.337342114768942]
  トレーニング不要なビデオ異常検出(VAD)は、教師付きアプローチに代わるスケーラブルな代替手段として最近登場した。 本稿では,自由なVADを学習するための幾何学的意味推論フレームワークMM-VADを紹介する。 MM-VADは、固定特徴比較よりも適応的なテスト時間推論として異常検出を再構成する。
  論文  参考訳（メタデータ） (2026-03-10T09:28:37Z)
• Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
  顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。 過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
  論文  参考訳（メタデータ） (2025-12-22T04:30:11Z)
• TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models [32.85951917559796]
  本稿では, 対向検出を行う軽量な防御フレームワークであるTest-Time Padding (TTP) を提案する。 TTPは最先端のテスト時間防衛を一貫して上回り、クリーンな精度を損なうことなく敵の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-18T13:34:14Z)
• Test-Time Spectrum-Aware Latent Steering for Zero-Shot Generalization in Vision-Language Models [34.181702444695794]
  スペクトル認識型テスト時間ステアリング(STS)を導入し,遅延表現をスペクトル認識方式で操る。 STSは、凍結エンコーダのバックプロパゲーションや修正なしに、潜在空間での推論で完全に動作する。 標準評価プロトコルをベースとした実験では,STSが最先端の試験時間適応手法をはるかに上回るか,あるいは好適に比較することを示した。
  論文  参考訳（メタデータ） (2025-11-12T23:25:58Z)
• Test-time Loss Landscape Adaptation for Zero-Shot Generalization in Vision-Language Models [3.1099372412393524]
  本稿では,ロスランドスケープの観点から,既存の手法におけるバックプロパゲーションの不要な性質を明らかにする。 テストタイムロスランドスケープ適応(TLLA)と呼ばれるシンプルだが効果的なフレームワークを提案する。 即時チューニングの段階では、最小限のトレーニングを識別するために、シャープネス・アウェア・プロンプト・チューニング(SAPT)法が導入された。 テスト段階では、平らなミニマのアライメントを確保するためにシャープネスに基づくテストサンプル選択(STSS)アプローチが使用される。
  論文  参考訳（メタデータ） (2025-01-31T03:10:48Z)
• TAPT: Test-Time Adversarial Prompt Tuning for Robust Inference in Vision-Language Models [53.91006249339802]
  視覚的対人攻撃に対するCLIPの推論ロバスト性を高めるため, TAPT(Test-Time Adversarial Prompt Tuning)と呼ばれる新しい防御手法を提案する。 TAPTは、CLIPの推論プロセスを堅牢化するために、防御的バイモーダル(テキストと視覚)のプロンプトを学習するテストタイムディフェンス手法である。 我々は、ImageNetなど10のゼロショットデータセットを含む11のベンチマークデータセットに対するTAPTの有効性を評価する。
  論文  参考訳（メタデータ） (2024-11-20T08:58:59Z)
• Just Shift It: Test-Time Prototype Shifting for Zero-Shot Generalization with Vision-Language Models [19.683461002518147]
  Test-Time Prototype Shifting (TPS)は、未ラベルのテスト入力を使用したデータセットのテストに視覚言語モデルを適用するために設計された先駆的なアプローチである。 TPSは、その後の予測のために最適化不要なプロトタイプの再利用を促進するだけでなく、プロンプトエンジニアリングにおける現在の進歩とシームレスに統合することを可能にする。 我々のフレームワークの特筆すべき点は、従来のテキストプロンプトチューニング手法と比較して、メモリと計算要求が大幅に削減されていることである。
  論文  参考訳（メタデータ） (2024-03-19T17:54:34Z)
• Visual Prompting for Adversarial Robustness [63.89295305670113]
  我々は、視覚的プロンプト計算を用いて、テスト時に固定された事前訓練されたモデルの対向ロバスト性を改善する。 本稿では,クラスワイズビジュアルプロンプトを生成するために,クラスワイズビジュアルプロンプト(C-AVP)と呼ばれる新しいVP手法を提案する。 C-AVPは従来のVP法よりも2.1倍の精度向上、2倍の堅牢な精度向上を実現している。
  論文  参考訳（メタデータ） (2022-10-12T15:06:07Z)

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。