論文の概要: LBA: Textual Hard-Label Adversarial Attack under Low Query Budgets

• arxiv url: http://arxiv.org/abs/2607.14101v1
• Date: Tue, 05 May 2026 13:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.007283
• Title: LBA: Textual Hard-Label Adversarial Attack under Low Query Budgets
• Title（参考訳）: LBA:低クエリ予算下でのテキスト・ハードラベル・アタック
• Abstract要約: クエリ予算の少ない高品質な逆テキストを生成するため,LBAと呼ばれるサンプリングベースの手法を提案する。 6つの言語モデルの実験では、LBAはすべての評価指標で最先端のベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 41.38996351903662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating high-quality adversarial texts with low query budgets remains a challenging problem in the hard-label scenario. Most existing approaches rely on greedy algorithms, where one position in the text is selected for substitution, followed by the substitutions of other positions. This local search approach may fail to discover high-quality adversarial examples and often leads to excessive query costs. Ideally, an optimal adversarial sample would consider all possible position combinations in the text, but exhaustive search is computationally impractical. To address this challenge, we propose a sampling-based method called LBA, which constructs an approximate distribution of high-quality adversarial examples by integrating both prior and posterior knowledge, and utilizes this distribution for sampling. As sampling progresses, posterior knowledge updates the approximate distribution, which in turn guides more effective sampling. Extensive experiments on six language models, ranging from small-scale to large-scale architectures across four datasets, demonstrate that LBA significantly outperforms state-of-the-art baselines on all evaluation metrics. Additionally, LLM-based assessment indicates that LBA generates more semantically preserved and comprehensible adversarial texts.
• Abstract（参考訳）: クエリ予算の少ない高品質の逆文を生成することは、ハードラベルのシナリオでは難しい問題である。 既存のアプローチのほとんどは、テキスト内の1つの位置が置換のために選択され、次に他の位置が置換される、欲求アルゴリズムに依存している。 この局所的な探索手法は、高品質な敵の例を見つけるのに失敗し、しばしば過剰なクエリコストにつながる。 理想的には、最適逆数サンプルはテキスト中の全ての可能な位置の組み合わせを考慮すべきであるが、網羅的な探索は計算的に非現実的である。 この課題に対処するために,前と後の両方の知識を統合することで,高品質な逆数例の近似分布を構築し,この分布をサンプリングに利用する,LBAと呼ばれるサンプリングベース手法を提案する。 サンプリングが進むにつれて、後続の知識が近似分布を更新し、それによってより効果的なサンプリングが導かれる。 4つのデータセットにわたる小規模アーキテクチャから大規模アーキテクチャまで,6つの言語モデルに対する大規模な実験により,LBAがすべての評価基準に対して,最先端のベースラインを大幅に上回っていることが実証された。 さらに、LLMに基づく評価は、LBAがより意味的に保存され、理解可能な敵対的テキストを生成することを示している。

関連論文リスト

• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Context Attribution with Multi-Armed Bandit Optimization [11.715006981206844]
  本稿では,コンテキスト属性をCMAB(Multi-armed bandit)問題として定式化する新しいフレームワークを提案する。 我々は、限られたクエリ予算の下で、指数的に大きなコンテキストサブセットの空間を効率的に探索するために、 Combinatorial Thompson Sampling (CTS) を採用している。 本手法は,正規化トークンの確率に基づいて報酬関数を定義し,セグメントのサブセットが元のモデル応答をどれだけうまくサポートしているかを抽出する。
  論文  参考訳（メタデータ） (2025-06-24T19:47:27Z)
• The Devil is in Fine-tuning and Long-tailed Problems:A New Benchmark for Scene Text Detection [2.4829769683482437]
  シーンテキスト検出手法は、現実のシナリオでこのような成功を再現できないことが多い。 この相違に寄与する2つの重要な要因を、広範な実験を通して明らかにした。 本稿では,様々な長期課題に対処する能力を評価するために,Long-Tailed Benchmark (LTB)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:26:46Z)
• Nearly Optimal Sample Complexity for Learning with Label Proportions [54.67830198790247]
  トレーニングセットの例をバッグにグループ化する部分情報設定であるLLP(Learning from Label Proportions)について検討する。 部分的な可観測性にもかかわらず、ゴールは個々の例のレベルで小さな後悔を達成することである。 我々は, LLPの2乗損失下でのサンプル複雑性について, 標本複雑性が本質的に最適であることを示す。
  論文  参考訳（メタデータ） (2025-05-08T15:45:23Z)
• Balancing Diversity and Risk in LLM Sampling: How to Select Your Method and Parameter for Open-Ended Text Generation [60.493180081319785]
  本稿では,各復号ステップにおける多様性とリスクのトレードオフを考慮し,トラクションサンプリング手法のキャパシティを推定する体系的手法を提案する。 本研究は,既存のトラクションサンプリング手法を総合的に比較し,パラメータ選択のための実用的なユーザガイドとして機能する。
  論文  参考訳（メタデータ） (2024-08-24T14:14:32Z)
• Paired Completion: Flexible Quantification of Issue-framing at Scale with LLMs [0.41436032949434404]
  最小限の例を用いてコントラストフレームを検出する新しい手法である「ペア完備化」を導入する。 我々は、ペア化完了は、プロンプトベースおよび埋め込みベースの手法に代えて、コスト効率が高く、低バイアスであることを示した。
  論文  参考訳（メタデータ） (2024-08-19T07:14:15Z)
• Mitigating Boundary Ambiguity and Inherent Bias for Text Classification in the Era of Large Language Models [24.085614720512744]
  本研究では,大規模言語モデル (LLM) がテキスト分類における選択肢の数や配置の変化に対して脆弱であることを示す。 重要なボトルネックは、曖昧な決定境界と、特定のトークンや位置に対する固有のバイアスから生じます。 我々のアプローチは、ペア比較が境界のあいまいさと固有のバイアスを効果的に緩和できるという経験的観察に基づいている。
  論文  参考訳（メタデータ） (2024-06-11T06:53:19Z)
• Efficient Detection of LLM-generated Texts with a Bayesian Surrogate Model [14.98695074168234]
  本稿では,特に大規模言語モデル(LLM)から機械生成テキストを検出する新しい手法を提案する。 ベイジアンサロゲートモデルを用いて、ベイジアン不確実性に基づいて典型的なサンプルを選択し、典型的なサンプルから他のサンプルへのスコアを補間し、クエリ効率を向上させる。 実験の結果,提案手法はクエリコストの低い既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-05-26T04:23:10Z)
• Finding Support Examples for In-Context Learning [73.90376920653507]
  本稿では,この課題を2段階に解決するためのfilter-thEN-Search法であるLENSを提案する。 まず、データセットをフィルタリングして、個別に情報的インコンテキストの例を得る。 そこで本研究では,反復的に改良し,選択したサンプル順列を評価可能な多様性誘導型サンプル探索を提案する。
  論文  参考訳（メタデータ） (2023-02-27T06:32:45Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。