論文の概要: Full spectrum Unlearnable Examples via Spectral Equalization
- arxiv url: http://arxiv.org/abs/2606.26719v1
- Date: Thu, 25 Jun 2026 07:53:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.198469
- Title: Full spectrum Unlearnable Examples via Spectral Equalization
- Title（参考訳）: スペクトル等化による全スペクトル未学習例
- Abstract要約: スペクトル等化(FUSE)によるフルスペクトル未学習例を提案する。
FUSEは、異なるバンドからのコントリビューションを等しくし、バンド間の一貫性を強制することにより、スペクトルに依存しない摂動を生成する。
複数のデータセット、アーキテクチャ、スペクトルフィルタリングにわたる実験は、FUSEによって達成された強力な保護を示す。
- 参考スコア（独自算出の注目度）: 29.22443621401928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unlearnable examples (UEs) protect training data by injecting imperceptible perturbations so that models fail to extract exploitable representations. In this paper, we reveal that existing UEs exhibit a critical failure once low-pass filtering is applied, indicating that the effective perturbation signals for unlearnability concentrate predominantly in high frequencies. Hence, we argue that reliable UEs should remain effective across the full spectrum. To this end, we propose Full-spectrum Unlearnable examples via Spectral Equalization (FUSE), which aims to generate spectrum-agnostic perturbations by equalizing the contributions from different bands and enforcing cross-band consistency. Specifically, FUSE adopts a Random Spectral Masking (RSM) strategy during generator training, which randomly removes a contiguous frequency band, forcing the remaining bands to maintain unlearnability. In addition, FUSE further integrates Cross-Band Guidance (CBG), which enforces mutual consistency between high- and low-frequency components, thereby further enhancing low-frequency unlearnability and regulating high-frequency perturbations to preserve the semantic fidelity of images. Extensive experiments across multiple datasets, architectures, and spectral filtering demonstrate the strong protection achieved by FUSE.
- Abstract（参考訳）: 非学習不可能な例(UE)は、知覚不能な摂動を注入することでトレーニングデータを保護し、モデルが悪用可能な表現を抽出できないようにする。
本稿では,既存のUEが低域通過フィルタを適用した場合に重大な故障を示すことを明らかにし,非学習性に対する効果的な摂動信号が主に高周波に集中していることを示す。
したがって、信頼できるUEは全スペクトルにわたって有効であるべきだと論じる。
この目的のために、スペクトル等化(FUSE)を用いて、異なるバンドからのコントリビューションを等しくし、帯域間の整合性を持たせることでスペクトル非依存摂動を発生させることを目的としたフルスペクトル非学習可能な例を提案する。
特に、FUSEは、ジェネレータトレーニング中にランダムスペクトルマスキング(RSM)戦略を採用する。
さらに、FUSEは、高頻度成分と低周波成分の相互整合性を強制するクロスバンドガイダンス(CBG)をさらに統合し、低周波不安定性をさらに強化し、画像の意味的忠実性を維持するために高周波摂動を規制する。
複数のデータセット、アーキテクチャ、スペクトルフィルタリングにわたる大規模な実験は、FUSEによって達成された強力な保護を実証している。
関連論文リスト
- SpecGradFilter: A Spectral Gradient Filtering Framework for Taming Federated Heterogeneity [57.84199526590779]
フェデレートラーニング(FL)は、非ID分散(非IID)データがクライアントのドリフトを誘導し、グローバルな収束を阻害する統計的不均一性によって根本的に挑戦される。
本研究では,新しい周波数領域の観点からクライアントのドリフトを再考し,Drift のスペクトルバイアスを明らかにする。
そこで本研究では,低周波信号の不一致を抑えることで不均一性を解消するスペクトルフィルタリンググラディエント・フレームワークであるSpecGradFilterを提案する。
論文 参考訳（メタデータ） (2026-07-05T09:23:35Z) - FedFFT: Taming Client Drift in Federated SAM via Spectral Perturbation Filtering [23.709933555412757]
SAM摂動の周波数領域フィルタリングを用いたフェデレーション学習(FedFFT)を提案する。
FedFFTは、SAM摂動の低周波成分を追加の通信を必要とせずにフィルタリングする軽量でプラグアンドプレイ方式である。
論文 参考訳（メタデータ） (2026-07-05T08:33:38Z) - Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。
マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。
SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
論文 参考訳（メタデータ） (2026-06-01T15:58:13Z) - Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。
本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。
機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。
勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
論文 参考訳（メタデータ） (2026-05-20T08:15:56Z) - A Practical Noise2Noise Denoising Pipeline for High-Throughput Raman Spectroscopy [0.0]
このアプローチは、Noss2Noise戦略を用いて訓練された1次元畳み込みオートエンコーダに依存する。
短時間露光取得を繰り返し行う訓練サブセットから、モデルを学習し、ラマンスペクトルを効率よく抑圧しながら再構成する。
その結果, 信頼度の高い解釈には不十分な1スペクトルあたり5ミリ秒の積分時間で, 基準データに対する高忠実度な偏光スペクトルが得られることがわかった。
論文 参考訳（メタデータ） (2026-05-18T15:03:43Z) - Contrastive Spectral Rectification: Test-Time Defense towards Zero-shot Adversarial Robustness of CLIP [68.44229678548298]
コントラストスペクトル整流(Contrastive Spectral Rectification, CSR)は、敵の例に対する効率的な試験時間防御である。
CSRはSOTAを18.1%上回り、AutoAttackに勝っている。
CSRは様々な視覚的タスクに幅広い適用性を示す。
論文 参考訳（メタデータ） (2026-01-27T05:24:45Z) - Structured Spectral Reasoning for Frequency-Adaptive Multimodal Recommendation [13.886659472425393]
マルチモーダルレコメンデーションは、視覚情報やテキスト情報などの異種コンテンツと協調的な信号を統合することを目的としている。
これらの問題は、しばしば単純融合や浅いモデリング戦略によって悪化し、一般化の低下とロバスト性の低下につながる。
周波数対応マルチモーダルレコメンデーションのための構造化スペクトル推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-01T07:39:28Z) - SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。
畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。
2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
論文 参考訳（メタデータ） (2025-08-02T14:40:50Z) - Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。
本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。
フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
論文 参考訳（メタデータ） (2025-06-28T12:02:01Z) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - Zero-Shot Hyperspectral Pansharpening Using Hysteresis-Based Tuning for Spectral Quality Control [5.231219025536678]
ハイパースペクトルパンシャルペン法は、ハイパースペクトルデータ融合によって引き起こされるユニークな課題をしばしば見落としている。
単一の軽量ニューラルネットワークが使用され、各バンドにフライに適応するウェイトが使用される。
提案手法は,外部データ,フレキシブル,低複雑さを事前トレーニングすることなく,完全に教師なしである。
論文 参考訳（メタデータ） (2025-05-22T13:24:24Z)
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。