論文の概要: USAD: Uncertainty-aware Statistical Adversarial Detection

• arxiv url: http://arxiv.org/abs/2606.27832v1
• Date: Fri, 26 Jun 2026 08:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.431144
• Title: USAD: Uncertainty-aware Statistical Adversarial Detection
• Title（参考訳）: USAD: 統計的に不確実な相手検出
• Authors: Zhijian Zhou, Xunye Tian, Jiacheng Zhang, Zesheng Ye, Yiyi Guo, Donghao Zhang, Liuhua Peng, Feng Liu,
• Abstract要約: 統計的逆数検出(SAD)は、検出を2サンプルテストとして扱う。 本研究では,不確実性を考慮した統計的逆数検出(USAD)を提案する。 USADは、様々な敵攻撃に対するベースライン法よりも優れた検出性能を達成している。
• 参考スコア（独自算出の注目度）: 17.557505716461034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical adversarial detection (SAD) treats detection as a two-sample test. Given a reference set of clean examples (CEs) and a batch of queries, potentially containing an unknown mixture of CEs and adversarial examples (AEs), SAD decides whether the query distribution drifts away from the CE distribution while controlling the false-alarm rate. Existing SAD-based methods mainly use maximum mean discrepancy (MMD) to measure the distributional discrepancy. However, MMD's distributional properties limit its ability to capture characteristic uncertainty patterns of AEs that are crucial for detection: AEs typically exhibit abnormal feature spread (i.e., global uncertainty) and instability under perturbations (i.e., local uncertainty). To close the gap, we propose Uncertainty-aware Statistical Adversarial Detection (USAD), which explicitly captures these uncertainty patterns with two new statistics: (1) Variance Discrepancy (VD), which measures the difference in feature spread between AEs and CEs to capture global uncertainty differences. (2) Perturbation-based Covariance Discrepancy (PCD), which compares feature covariance under Gaussian perturbations to capture local uncertainty differences. By aggregating VD and PCD, USAD achieves superior detection performances over baseline methods against various adversarial attacks, highlighting the importance of considering characteristic behaviors of AEs for effective SAD. Our code is available at: https://anonymous.4open.science/r/USAD.
• Abstract（参考訳）: 統計的逆数検出(SAD)は、検出を2サンプルテストとして扱う。 CE(クリーンな例)の参照セットと、CE(逆例)とAE(逆例)の未知の混合を含むクエリのバッチが与えられた場合、SADは、偽アラームレートを制御しながら、クエリ分布がCE分布から逸脱するかどうかを判断する。 既存のSAD法は主に最大平均誤差(MMD)を用いて分布誤差を測定する。 しかし、MDDの分布特性は、検出に不可欠なAEの特徴的な不確実性パターンを捕捉する能力を制限する:AEは典型的には異常な特徴拡散(大域的不確実性)と摂動の不安定(局所的不確実性)を示す。 このギャップを埋めるために,(1)AEとCE間の特徴拡散の差を計測し,グローバルな不確実性差を捉える分散離散性(VD)という2つの新しい統計データを用いて,これらの不確実性パターンを明示的に捉える不確実性認識型統計的逆検出(USAD)を提案する。 2) ガウス摂動下での特徴共分散を局所的な不確実性の違いを捉えるために比較した摂動に基づく共分散分散(PCD)。 VDとPCDを集約することにより、USADは様々な敵攻撃に対するベースライン法よりも優れた検出性能を達成し、効果的なSADのためのAEの特性挙動を考慮することの重要性を強調した。 私たちのコードは、https://anonymous.4open.science/r/USAD.comで利用可能です。

関連論文リスト

• Adaptive Individual Uncertainty under Out-Of-Distribution Shift with Expert-Routed Conformal Prediction [8.306260695214972]
  信頼度の高い適応区間(TESSERA)のスケールド推定を用いた信頼度エキスパートスプリット・コンフォーマルを導入する。 TESSERAは、絶対誤差を追跡する信頼性の高いカバレッジ保証、情報的かつ適応的な予測間隔幅を備えたサンプル単位の不確実性を提供する。 タンパク質-リガンド結合親和性予測は, 独立および同一分布 (d.d.) と足場ベースアウト・オブ・ディストリビューション (OOD) の双方で評価した。
  論文  参考訳（メタデータ） (2025-10-17T01:51:33Z)
• Multidimensional Uncertainty Quantification via Optimal Transport [87.97146725546502]
  相補的なUQ測度をベクトルに積み重ねることで,不確実性定量化(UQ)の多次元的考察を行う。 VecUQ-OTは、個々の測定が失敗しても高い効率を示す。
  論文  参考訳（メタデータ） (2025-09-26T14:09:03Z)
• Dealing with Uncertainty in Contextual Anomaly Detection [14.492457340456737]
  コンテキスト異常検出(CAD)は、コンテキスト変数のセットに条件付けされたターゲット(振る舞い)変数の異常を識別することを目的としている。 そこで本研究では,アレータ性およびてんかん性不確実性の両方を明示的にモデル化したCADのための新しいフレームワークである正規性スコア(NS)を提案する。 NSは検出精度と解釈可能性の両方において最先端CAD法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-06T18:02:11Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• One Stone, Two Birds: Enhancing Adversarial Defense Through the Lens of Distributional Discrepancy [30.502354813427523]
  統計的逆データ検出(SADD)は、次のバッチが逆データ例(AE)を含むかどうかを検出する 本稿では,DAD(Distributal-discrepancy-based Adversarial Defense)という2段階の対角防御手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T01:16:21Z)
• Revisiting Deep Ensemble Uncertainty for Enhanced Medical Anomaly Detection [34.14012444375776]
  医用異常検出のためのDual-space Uncertainty Estimationフレームワークを提案する。 異常検出のための一致と不一致のバランスをとるために,冗長性認識反発(RAR)を提案する。 また,入出力空間におけるアンサンブルの不確実性を利用したDual-Space Uncertainty(DSU)を開発した。
  論文  参考訳（メタデータ） (2024-09-26T02:47:41Z)
• Beyond Perceptual Distances: Rethinking Disparity Assessment for Out-of-Distribution Detection with Diffusion Models [28.96695036746856]
  Out-of-Distribution (OoD) 検出は、与えられたサンプルが分類器アンダープロテクションのトレーニング分布からのものであるかどうかを正当化することを目的としている。 DMベースの手法は、この分野に新たな洞察をもたらすが、未調査のままである。 本研究は、DM法における最先端検出性能を広範囲にわたる実験で実証した。
  論文  参考訳（メタデータ） (2024-09-16T08:50:47Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。