論文の概要: Tensor-Based Batch Fuzzing with Adaptive Perturbation Scaling for Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2606.25239v1
• Date: Tue, 23 Jun 2026 23:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.167338
• Title: Tensor-Based Batch Fuzzing with Adaptive Perturbation Scaling for Deep Neural Networks
• Title（参考訳）: 適応摂動スケーリングを用いた深部ニューラルネットワークのためのテンソルベースバッチファジリング
• Authors: Guanqin Zhang, Yulei Sui,
• Abstract要約: 適応的な摂動スケーリングを備えた仕様対応バッチファジリングフレームワークを提案する。 我々のフレームワークは、同じ時間予算の下で、シーケンシャルベースラインよりも最大40倍高いスループットと4倍の違反を達成する。 当社のフレームワークは,TrafficSigns,Cifar100,TinyImageNetにまたがる6つのネットワークと400以上の仕様を網羅する3つのベンチマークで広く評価している。
• 参考スコア（独自算出の注目度）: 7.190532917825181
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks are increasingly deployed in safety-critical domains such as autonomous driving and medical diagnosis, yet their opaque, high-dimensional parameter spaces make it difficult to systematically assess model reliability on unseen inputs. Existing coverage-guided sequential fuzzing frameworks for DNNs inherit a one-input-per-iteration design from traditional software fuzzing and apply uniform perturbation budgets across all input dimensions, limiting both testing throughput (i.e., inputs processed per unit time) and the precision of input-space exploration. We present a new specification-aware batch fuzzing framework with adaptive perturbation scaling that addresses both limitations. Rather than relying on a fixed global perturbation radius epsilon, our approach derives mutation step sizes from specification-defined feasible ranges (the gap between lower and upper bounds) using a shared scale factor. This scaling can be applied either as a global scalar (isotropic) or as per-dimension step sizes (anisotropic), keeping perturbations consistent with the underlying constraint structure. As a result, the fuzzer can explore input spaces with heterogeneous feature scales more effectively across all specifications in the batch. We embed input constraints and output property checks directly into the network as non-trainable layers, yielding a wrapped model that processes B specification instances in a single batched iteration, substantially improving fuzzing efficiency and counterexample exploration. We evaluate our framework extensively on three benchmarks, covering six networks and over 400 specifications across TrafficSigns, Cifar100, and TinyImageNet. Our tensor-based fuzzing achieves up to 40X higher throughput and 4X more violations than the sequential baseline under the same time budget, demonstrating significantly improved effectiveness in specification-guided fuzzing.
• Abstract（参考訳）: ディープニューラルネットワークは、自律運転や医療診断のような安全クリティカルな領域にますますデプロイされているが、その不透明で高次元のパラメータ空間は、目に見えない入力でモデルの信頼性を体系的に評価することが困難である。 既存のDNNのシーケンシャルファジィングフレームワークは、従来のソフトウェアファジィングから1インプット単位の設計を継承し、全ての入力次元にわたって均一な摂動予算を適用し、テストスループット(単位時間当たりの入力処理)と入力空間探索の精度を制限している。 両制約に対応する適応的摂動スケーリングを備えた仕様対応バッチファジリングフレームワークを提案する。 提案手法は, 固定された大域摂動半径エプシロンに頼るのではなく, 共有スケールファクターを用いて, 仕様定義可能な範囲(下界と上界のギャップ)から変異ステップサイズを導出する。 このスケーリングは、大域スカラー(等方性)または次元ごとのステップサイズ(異方性)として適用でき、基盤となる制約構造と摂動を一致させる。 その結果、ファジィザは、バッチ内のすべての仕様に対してより効果的に、不均一な特徴を持つ入力空間を探索することができる。 入力制約と出力特性チェックを直接ネットワークに組み込み、B仕様インスタンスを単一バッチイテレーションで処理し、ファジリング効率と逆サンプル探索を大幅に改善するラップモデルを生成する。 当社のフレームワークは,TrafficSigns,Cifar100,TinyImageNetにまたがる6つのネットワークと400以上の仕様を網羅する3つのベンチマークで広く評価している。 我々のテンソルベースファジリングは、同時予算下でのシーケンシャルベースラインよりも最大40倍高いスループットと4倍の違反を達成し、仕様誘導ファジリングの有効性を著しく向上した。

関連論文リスト

• Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
  既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。 実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。 動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
  論文  参考訳（メタデータ） (2026-06-08T17:06:51Z)
• DFIR-DETR: Frequency Domain Enhancement and Dynamic Feature Aggregation for Cross-Scene Small Object Detection [16.16000521213211]
  UAVリモートセンシング画像の小型物体検出は困難である。 現在の変圧器ベースの検出器は、3つの重要な問題に悩まされている。 本稿ではDFIR-DETRを導入し,周波数領域処理と組み合わせた動的特徴集約手法を提案する。
  論文  参考訳（メタデータ） (2025-12-08T01:25:10Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Unsupervised Deformable Image Registration with Structural Nonparametric Smoothing [21.95149344518237]
  学習ベースの変形可能な画像登録(DIR)アライメントは、ニューラルネットワークを通じて従来の最適化を償却することによって加速する。 SmoothProperは、スムーズさを強制し、ネットワークのフォワードパス内でメッセージパッシングを促進するプラグイン・アンド・プレイのニューラルモジュールである。 網膜血管データセットの予備的な結果は,2912x2画像上での登録誤差を1.88ピクセルまで低減することを示した。
  論文  参考訳（メタデータ） (2025-06-12T15:26:03Z)
• Out of the Shadows: Exploring a Latent Space for Neural Network Verification [8.97708612393722]
  本稿では, 分岐・束縛手順におけるサブプロブレム数を大幅に削減するために, 繰り返し改良を用いたニューラルネットワークの効率的な検証ツールを提案する。 当社のツールは,前回のニューラルネットワーク検証コンペで上位のツールに位置づけられるような,競争力のあるパフォーマンスを実現していることを実証しています。
  論文  参考訳（メタデータ） (2025-05-23T13:05:07Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• On the Forward Invariance of Neural ODEs [92.07281135902922]
  本稿では,ニューラル常微分方程式(ODE)が出力仕様を満たすことを保証するための新しい手法を提案する。 提案手法では,出力仕様を学習システムのパラメータや入力の制約に変換するために,制御障壁関数のクラスを用いる。
  論文  参考訳（メタデータ） (2022-10-10T15:18:28Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。