論文の概要: Certified Training for Convolutional Perturbations

• arxiv url: http://arxiv.org/abs/2607.18195v1
• Date: Mon, 20 Jul 2026 17:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.721841
• Title: Certified Training for Convolutional Perturbations
• Title（参考訳）: 畳み込み障害に対する認定トレーニング
• Abstract要約: 視覚モデルは、揺動カメラによって実行時に誘発される動きのぼかしのような摂動に影響を受けやすい。 我々は、畳み込み摂動の効率的な符号化を利用して、実証可能な堅牢なモデルを訓練する新しい認証トレーニング手法を導入する。
• 参考スコア（独自算出の注目度）: 19.78125519648258
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision models have been found to be susceptible to perturbations such as motion blur induced at runtime by a shaking camera. This impedes their deployment in critical applications since phenomena such as slightly blurred vision might lead to failures, for example an object detector missing objects. While methods such as data augmentation or Adversarial Training can improve empirical robustness, they lack formal safety guarantees, making it difficult to identify and mitigate hidden vulnerabilities. We introduce a novel Certified Training approach that leverages an efficient encoding of convolutional perturbations to train provably robust models. Our method significantly outperforms Adversarial Training, achieving, for example, over 80% robust accuracy against motion blur of reasonable intensity on CIFAR10 while maintaining comparable standard accuracy.
• Abstract（参考訳）: 視覚モデルは、揺動カメラによって実行時に誘発される動きのぼかしのような摂動に影響を受けやすいことが判明した。 これは、わずかにぼやけた視覚のような現象が、例えばオブジェクト検出器が欠落しているオブジェクトなどの障害を引き起こす可能性があるため、重要なアプリケーションへのデプロイメントを妨げる。 データ強化やAdversarial Trainingのような手法は経験的堅牢性を改善することができるが、形式的な安全性保証が欠如しており、隠れた脆弱性を特定して軽減することは困難である。 我々は、畳み込み摂動の効率的な符号化を利用して、実証可能な堅牢なモデルを訓練する新しい認証トレーニング手法を導入する。 提案手法は,CIFAR10における適切な強度の運動ぼけに対して80%以上の頑健な精度を達成しつつ,同等の標準精度を維持しながら,対人訓練を著しく上回っている。

関連論文リスト

• ARMOR: Manifold-Oriented Training for Adversarially Robust Aerial Object Detection under Data Scarcity [29.552503716131568]
  モデル脆弱性に対処し,データ不足をトレーニングするために,マニフォールド指向トレーニング(ARMOR)を用いた適応ロバストネスを提案する。 ARMORは、低データ体制におけるmanifold adversarial training(OMAT)の中核的な洞察を実現している。 ARMORは0.90以上のモデルの信頼性の強いクリーンな性能を維持しながら、最先端の防御に対するモデルの信頼性を最大0.32向上させる。
  論文  参考訳（メタデータ） (2026-08-30T02:14:40Z)
• A Validation Strategy for Deep Learning Models: Evaluating and Enhancing Robustness [0.8532585403388676]
  そこで本研究では,学習データセットから直接,局所解析によって"弱頑な"サンプルを抽出する検証手法を提案する。 これらのサンプルは摂動に最も敏感なものであり、モデルの脆弱性の早期かつ敏感な指標として機能する。 CIFAR-10, CIFAR-100, ImageNetで学習したモデルに対して, 本手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-09-23T16:14:14Z)
• Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness [56.2479170374811]
  我々はFT-CADIS(Fun Fine-Tuning with Confidence-Aware Denoized Image Selection)を紹介する。 FT-CADISは、既成の分類器の信頼性が、視覚的平滑化中の幻覚像を効果的に識別できるという観察に着想を得たものである。 様々なベンチマークにおいて、すべての$ell$-adversary半径にわたる偏微分平滑化法のうち、最先端の証明されたロバスト性を確立している。
  論文  参考訳（メタデータ） (2024-11-13T09:13:20Z)
• A Hybrid Defense Strategy for Boosting Adversarial Robustness in Vision-Language Models [9.304845676825584]
  本稿では,複数の攻撃戦略と高度な機械学習技術を統合した,新たな敵訓練フレームワークを提案する。 CIFAR-10 や CIFAR-100 などの実世界のデータセットで行った実験により,提案手法がモデルロバスト性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-10-18T23:47:46Z)
• Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
  敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。 我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。 我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
  論文  参考訳（メタデータ） (2024-02-27T13:49:12Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Enhancing Adversarial Robustness for Deep Metric Learning [77.75152218980605]
  深層学習モデルの対角的堅牢性を改善する必要がある。 過度にハードな例によるモデル崩壊を避けるため、既存の守備隊はmin-max対逆訓練を中止した。 本研究では, 対人訓練において, 一定の硬度までトレーニング三重奏を効率よく摂動させる硬度操作を提案する。
  論文  参考訳（メタデータ） (2022-03-02T22:27:44Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)

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。