論文の概要: Halt Fast! Early Stopping for Certified Robustness

• arxiv url: http://arxiv.org/abs/2606.27694v1
• Date: Fri, 26 Jun 2026 03:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.363787
• Title: Halt Fast! Early Stopping for Certified Robustness
• Title（参考訳）: 速い! 認定ロバストネスの早期停止
• Abstract要約: Randomized Smoothing (RS)は、アーキテクチャ上の制約のないニューラルネットワークに対して厳格な保証を提供する。 標準RSでは、入力毎に何万ものモデル評価が必要であり、実践者は事前に固定されたサンプルサイズにコミットせざるを得ない。 本稿では,計算資源を適応的にデプロイする,任意の時間価証明されたロバスト性のための新しいメタラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.167611337327028
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Randomized Smoothing (RS) provides rigorous robustness guarantees for neural networks without architectural constraints, yet its adoption is limited by extreme computational costs. Standard RS requires tens of thousands of model evaluations per input and forces practitioners to commit to fixed sample sizes a priori. In this work, we present a novel meta-learning framework for anytime-valid certified robustness that adaptively deploys computational resources. By using a lightweight meta-learner to predict image-specific priors for a sequential E-process, we achieve a 20-fold reduction in sample complexity compared to traditional methods while maintaining rigorous statistical guarantees. Beyond raw efficiency, we demonstrate how anytime-validity enables adaptively allocating compute based upon application-specific risk thresholds, a form of resource triage impossible under classic certification frameworks. That this is achievable while also providing similar certification performance demonstrates that our approach provides a pathway for real-time, safety-critical certification deployments.
• Abstract（参考訳）: Randomized Smoothing (RS)は、アーキテクチャ上の制約のないニューラルネットワークに対して厳密な堅牢性を保証する。 標準RSでは、入力毎に何万ものモデル評価が必要であり、実践者は事前に固定されたサンプルサイズにコミットせざるを得ない。 そこで本研究では,計算資源を適応的に展開する,有意な確証付きロバストネスのための新しいメタラーニングフレームワークを提案する。 軽量なメタラーナーを用いて、連続Eプロセスにおける画像固有の事前予測を行うことにより、厳密な統計的保証を維持しながら、従来の手法に比べて20倍の複雑さの縮小を実現する。 生の効率以外にも,アプリケーション固有のリスクしきい値に基づいて計算を適応的に割り当てることが,従来の認定フレームワークでは不可能なリソーストリアージ形式であることを示す。 これは達成可能であると同時に、同様の認証性能を提供することで、当社のアプローチが、リアルタイムで安全クリティカルな認証デプロイメントのパスを提供することを示すものです。

関連論文リスト

• Higher-Order Certified Robustness for Regression [8.948785997740378]
  本稿では,ロバスト・レグレッションを認定するための新しいフレームワークを提案する。 我々は、スムーズなモデルの予測の安定性を保証する予測中心の証明書を導出する。 特に、勾配情報を利用するMNIST回転タスクでは、ロバスト性証明が著しく厳格になることを示す。
  論文  参考訳（メタデータ） (2026-07-06T18:17:13Z)
• 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)
• Efficient Credal Prediction through Decalibration [27.17944683306638]
  本稿では, 相対的可能性の概念を基礎として, 断裂予測を効率的に行う方法を提案する。 提案手法は, 多様なタスクにまたがって, 高い性能でクレーダル集合を生成することを示す。 特に,TabPFNやCLIPなどのモデルに対して,致命的な予測を示す。
  論文  参考訳（メタデータ） (2026-03-09T15:30:10Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
  本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。 提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。 我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-11-29T14:22:51Z)
• Certified Robustness for Deep Equilibrium Models via Serialized Random Smoothing [12.513566361816684]
  Deep Equilibrium Models (DEQ)のような暗黙のモデルは、ディープニューラルネットワークを構築するための有望な代替アプローチとして現れている。 決定論的認証手法を用いた既存のDECの認証防御は、大規模なデータセットでは認証できない。 我々はこれらの制限を解決するために、DECに対する最初のランダム化スムーズな認証防御を提供する。
  論文  参考訳（メタデータ） (2024-11-01T06:14:11Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
  問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。 問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。 本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
  論文  参考訳（メタデータ） (2024-03-15T17:32:02Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
  本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
  論文  参考訳（メタデータ） (2021-12-21T12:16:03Z)
• Regularized Training and Tight Certification for Randomized Smoothed Classifier with Provable Robustness [15.38718018477333]
  我々は新たな正規化リスクを導出し、正規化器はスムーズな手法の精度と堅牢性を適応的に促進することができる。 また、正規化効果を利用して、高い確率で保持されるより厳密なロバスト性の下限を提供する新しい認証アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-02-17T20:54:34Z)

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。