論文の概要: The Role of Input Dimensionality in the Emergence and Targeted Control of Adversarial Examples
- arxiv url: http://arxiv.org/abs/2606.26207v1
- Date: Wed, 24 Jun 2026 16:59:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.031145
- Title: The Role of Input Dimensionality in the Emergence and Targeted Control of Adversarial Examples
- Title（参考訳）: 対立事例の創発と目標制御における入力次元の役割
- Abstract要約: 敵の事例の出現と目標制御における入力次元の役割について検討する。
我々の結果は、次元が増加するにつれて敵の例が容易に構築できることを一貫して示している。
高次元幾何は、特定の目標ラベルを強制することは、標的外攻撃と比較して限られた歪みしか持たないことを意味すると我々は主張する。
- 参考スコア（独自算出の注目度）: 13.939141870874437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several theoretical works have tried to explain the adversarial vulnerability of deep neural networks through properties of high-dimensional geometry. However, the assumptions underlying these works are rarely examined empirically, and systematic evidence remains limited. In this work, we present a systematic study of the role of input dimensionality in both the emergence and the targeted control of adversarial examples. We first analyse the scope and limitations of existing theoretical frameworks based on concentration of measure, showing that real image classes exhibit strong empirical localization, beyond what such theories typically assume. We then conduct an extensive empirical evaluation across hierarchical image datasets spanning a wide range of input dimensionalities and diverse neural architectures. Our results consistently show that adversarial examples become easier to construct as dimensionality increases. We also investigate how input dimensionality affects the additional difficulty of crafting targeted adversarial examples. In particular, we provide theoretical arguments showing that high-dimensional geometry implies that enforcing a specific target label entails only a limited additional distortion compared to untargeted attacks. We corroborate this insight through extensive experiments, demonstrating that the gap between targeted and untargeted perturbations remains small and further narrows as input dimensionality increases. While, taken together, our findings establish high input dimensionality as a fundamental factor underlying the emergence and targeted control of adversarial examples, whether this phenomenon primarily arises from the interplay between high-dimensional geometry and data distributions or from the architectural properties of deep neural networks remains an open question.
- Abstract（参考訳）: いくつかの理論的研究は、高次元幾何学の特性を通して、ディープニューラルネットワークの敵対的脆弱性を説明しようと試みている。
しかし、これらの研究の根底にある仮定は経験的に研究されることはめったになく、体系的な証拠は限られている。
本研究では, 対角的事例の出現と目標制御における入力次元の役割について, 系統的研究を行った。
まず、測定の集中に基づく既存の理論フレームワークの範囲と限界を分析し、そのような理論が想定する以上の、実画像クラスが強い経験的局所性を示すことを示す。
次に、幅広い入力次元と多様なニューラルネットワークアーキテクチャにまたがる階層的な画像データセットに対して、広範な経験的評価を行う。
我々の結果は、次元が増加するにつれて敵の例が容易に構築できることを一貫して示している。
また,入力次元が対象の対向例を作成することの難しさにどう影響するかについても検討する。
特に, 高次元幾何学は, 特定の目標ラベルを強制することは, 標的外攻撃と比較して限られた歪みしか持たないことを示唆する理論的論証を提供する。
我々は、この知見を広範な実験を通じて裏付け、入力次元が増加するにつれて、目標と未目標の摂動のギャップが小さく、さらに狭くなることを実証した。
しかし,この現象は,高次元形状とデータ分布の相互作用や,深層ニューラルネットワークのアーキテクチャ特性の相互作用から生じているのかという疑問が残る。
関連論文リスト
- Axiomatizing Neural Networks via Pursuit of Subspaces [18.584665304905897]
本稿では,一組の幾何学を通してニューラルネットワークの挙動を定式化する公理的フレームワークであるPursuit of Subspaces (PoS)仮説を紹介する。
この枠組みは,表現構造やアーキテクチャ機構,一般化行動など,ディープラーニングの基本的問題に対する幾何学的説明を与える。
論文 参考訳（メタデータ） (2026-05-19T22:12:58Z) - Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - On Evolution-Based Models for Experimentation Under Interference [7.262048441360133]
我々は、介入に応じて観察ラウンド間で結果がどのように変化するかを研究する進化に基づくアプローチについて研究する。
我々は、この手法のインスタンス化として、高密度ネットワークにおける因果メッセージパッシングを強調した。
このアプローチの限界について議論し、強い時間的傾向や内因性干渉が識別を損なう可能性があることを示す。
論文 参考訳（メタデータ） (2025-11-26T18:53:46Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳（メタデータ） (2024-06-01T18:01:03Z) - The Impact of Geometric Complexity on Neural Collapse in Transfer Learning [6.554326244334867]
損失面の平坦さと神経崩壊は、最近、有用な事前学習指標として現れている。
実験と理論を通じて、事前学習されたネットワークの幾何学的複雑さに影響を与えるメカニズムが神経崩壊に影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2024-05-24T16:52:09Z) - A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
逆の例では、機械学習モデルを操作して誤った予測を行うことができます。
敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。
本研究は, 対角移動可能性の展望を考察した。
論文 参考訳（メタデータ） (2023-10-26T17:45:26Z) - Investigating Human-Identifiable Features Hidden in Adversarial
Perturbations [54.39726653562144]
我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。
対人摂動における人間の識別可能な特徴を同定する。
画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
論文 参考訳（メタデータ） (2023-09-28T22:31:29Z) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳（メタデータ） (2023-01-12T17:43:38Z) - Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。
本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。
画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文 参考訳（メタデータ） (2021-06-18T16:34:23Z) - Verifying the Causes of Adversarial Examples [5.381050729919025]
ニューラルネットワークのロバスト性は、入力に対するほとんど知覚できない摂動を含む敵の例によって挑戦される。
本稿では,敵対的事例の潜在的な原因の収集と,慎重に設計された制御実験による検証(あるいは部分的に検証)を行う。
実験の結果, 幾何学的要因はより直接的な原因であり, 統計的要因は現象を増大させることが明らかとなった。
論文 参考訳（メタデータ） (2020-10-19T16:17:20Z)
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。