論文の概要: Shared Vulnerabilities in Robustness-Optimized Defenses: One Breach Exposes the Family

• arxiv url: http://arxiv.org/abs/2607.18339v1
• Date: Mon, 20 Jul 2026 01:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.188179
• Title: Shared Vulnerabilities in Robustness-Optimized Defenses: One Breach Exposes the Family
• Title（参考訳）: ロバストネス最適化防衛における共有脆弱性--家族を解放する一つの問題
• Abstract要約: 対向的頑健性最適化は、対向的摂動下での正しい予測を維持することを目的としている。 新たなセキュリティリスクを特定します。これらのゲインは、防衛全体で共有脆弱性を発生させます。 より厳密な転送専用プロトコルと、故意に単純な適応攻撃であるPGDTransferを導入し、ロバストネス最適化された防御が転送専用脆弱性を共有するかどうかを検証する。
• 参考スコア（独自算出の注目度）: 22.335085458688372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial robustness optimization aims to preserve correct prediction under adversarial perturbations, and has produced substantial robustness gains through methods such as adversarial training and adversarial purification. However, we identify a new security risk: these gains can create shared vulnerabilities across defenses. Once one representative robustness-optimized defense is effectively breached, the broader family may become exposed. Studying this risk requires separating genuine transferability from distortion-induced degradation and from the algorithmic gains of sophisticated attacks. We therefore introduce stricter transfer-only protocols and a deliberately simple adaptive attack, PGDTransfer, to test whether robustness-optimized defenses share transfer-only vulnerability under controlled conditions. We further introduce Adversarial Sensitivity Maps (AdvSMs) to visualize and quantify shared alignment beyond differentiable classifiers, including stochastic and non-differentiable defenses. Across adversarially trained classifiers, purification-based defenses, and LVLMs with robust visual encoders, we identify natural transferability within each robustness family, i.e., transfer that arises even with simple PGD-style optimization rather than specialized transferable-attack design. The risk is already severe for purification: PGDTransfer reaches an average transfer attack success rate of $80.4\%$ across filtering-, compression-, and diffusion-based purifiers under $ε=4/255$, suggesting that purifier defenses may no longer provide reliable protection. As attacks improve, currently stronger robustness families may face the same risk. Future defenses should therefore treat vulnerability diversity and transfer-only isolation as security objectives, rather than optimizing only individual robustness.
• Abstract（参考訳）: 対向的頑健性最適化は、対向的摂動下での正確な予測を維持することを目的としており、対向的トレーニングや対向的浄化といった手法により、実質的な頑健性向上を実現している。 しかし、我々は新たなセキュリティリスクを特定している。 1つの代表的堅牢性に最適化された防衛が効果的に破られると、より広い家族が暴露される可能性がある。 このリスクを研究するには、歪みによって引き起こされる劣化と、高度な攻撃のアルゴリズム的利得とを分離する必要がある。 そこで我々は、厳密な転送専用プロトコルと、故意に単純な適応攻撃であるPGDTransferを導入し、ロバストネス最適化ディフェンスが制御条件下で転送専用脆弱性を共有するかどうかを検証した。 さらに,AdvSM(Adversarial Sensitivity Maps)を導入して,確率的および非微分的防御を含む,微分可能分類器以外の共有アライメントの可視化と定量化を行う。 逆向きに訓練された分類器、浄化ベースディフェンス、およびロバストなビジュアルエンコーダを備えたLVLMの全体にわたって、各ロバストネスファミリー内の自然移動性、すなわち、特殊なトランスファー可能な設計よりも単純なPGDスタイルの最適化でも生じる移動性を特定する。 PGDTransferは、フィルター、圧縮、拡散ベースの浄化剤をε=4/255$以下の平均転送攻撃成功率80.4\%に到達し、浄化剤の防御がもはや信頼できる保護を提供していないことを示唆している。 攻撃が改善するにつれて、現在強力な頑丈な家族が同じリスクに直面している可能性がある。 したがって、将来の防衛は、個々の堅牢性だけを最適化するのではなく、脆弱性の多様性と転送のみの分離をセキュリティ目的として扱うべきである。

関連論文リスト

• COPA: Continual Preference Optimization for Adaptive Prompt Injection Defense [9.772864559539084]
  本稿では,生涯学習問題として即時噴射防御を扱う,生涯優先最適化フレームワークCOPAを提案する。 我々は,COPAによる攻撃成功率の平均は6.3倍,4.4倍にまで低下することを示した。
  論文  参考訳（メタデータ） (2026-08-20T12:52:55Z)
• GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection [18.564330660698676]
  協調的知覚は、接続された車両がV2Xを介して中間機能を交換できるようにすることで、自律的な知覚を改善する。 信頼駆動スパース通信は、知覚クリティカルな空間領域のみを送信することによって帯域幅を削減する。 ひとたび協力者が妥協すると、高信頼領域や自我不確実領域における悪意のある特徴が優先的に選択され、融合中に増幅される。 我々は,3つの相補的な視点から協力者の信頼性を評価する軽量防衛であるグローバルローカル構造信頼(GLST)を提案する。
  論文  参考訳（メタデータ） (2026-07-25T06:05:35Z)
• Secure-CHG: A Comprehensive Framework for Robust and Fair Federated Learning via Hybrid Defense and Contribution-Aware Trust [4.5294318938213465]
  フェデレート・ラーニング(FL)は、ステルスなバックドア攻撃に非常に敏感である。 後期失敗」という基本的脆弱性を特定。 本稿では,防衛パラダイムを形態的検出から本質的な意味的貢献の検証へ転換するハイブリッドフレームワークSecure-CHGを提案する。
  論文  参考訳（メタデータ） (2026-06-30T02:53:16Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• FedSurrogate: Backdoor Defense in Federated Learning via Layer Criticality and Surrogate Replacement [3.3664896840786525]
  フェデレートラーニングは、バックドア攻撃の影響を受けやすい。 既存の防衛は、現実的な非独立かつ同一に分散された(非IID)データの下で、実質的な偽陽性率に悩まされている。 本稿では,2方向勾配フィルタと層適応型異常検出を組み合わせることで,この制限に対処する新しいバックドアディフェンスであるFedSurrogateを提案する。
  論文  参考訳（メタデータ） (2026-05-11T18:30:32Z)
• INFA-Guard: Mitigating Malicious Propagation via Infection-Aware Safeguarding in LLM-Based Multi-Agent Systems [70.37731999972785]
  本稿では,感染防止対策の枠組みであるINFA-Guardを提案する。 修復中、INFA-Guardは攻撃者を置き換え、感染した者を修復し、トポロジカルな整合性を維持しながら悪意のある伝播を避ける。
  論文  参考訳（メタデータ） (2026-01-21T05:27:08Z)
• Diversifying Counterattacks: Orthogonal Exploration for Robust CLIP Inference [45.723695657400576]
  反撃の多様性とカバレッジの向上は、テスト時間防衛における敵の堅牢性向上に不可欠である。 直交直交対向攻撃(DOC)は、傾き方向と運動量に基づく更新を組み込むことで、対向最適化を強化する。 平均コサイン類似度に基づく指向性感度スコアを,サンプル識別を改善し,反撃強度を適応的に調節することによりDOCを増強する。
  論文  参考訳（メタデータ） (2025-11-12T07:40:16Z)
• Stealth by Conformity: Evading Robust Aggregation through Adaptive Poisoning [5.205955684180866]
  Federated Learning(FL)は、プライバシの問題に対処するために設計された分散学習パラダイムである。 我々は適応的かつ回避的な毒殺戦略であるChameleon Poisoning (CHAMP)を提案する。 CHAMPは、より効果的で回避可能な中毒を可能にし、既存の堅牢なアグリゲーション防衛の基本的な制限を強調している。
  論文  参考訳（メタデータ） (2025-09-03T13:40:54Z)
• MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
  モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。 既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
  論文  参考訳（メタデータ） (2025-06-03T01:37:09Z)
• Position: Towards Resilience Against Adversarial Examples [42.09231029292568]
  我々は、敵の弾力性の定義と、敵の弾力性のある防御を設計する方法について概観する。 次に, 対向弾性のサブプロブレムを導入し, 連続適応ロバストネス(continuousal adapt robustness)と呼ぶ。 本研究では, 連続適応ロバストネスと, マルチアタックロバストネスと予期せぬアタックロバストネスの関連性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T14:58:44Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Guidance Through Surrogate: Towards a Generic Diagnostic Attack [101.36906370355435]
  我々は、攻撃最適化中に局所最小限を避けるための誘導機構を開発し、G-PGAと呼ばれる新たな攻撃に繋がる。 修正された攻撃では、ランダムに再起動したり、多数の攻撃を繰り返したり、最適なステップサイズを検索したりする必要がありません。 効果的な攻撃以上に、G-PGAは敵防御における勾配マスキングによる解離性堅牢性を明らかにするための診断ツールとして用いられる。
  論文  参考訳（メタデータ） (2022-12-30T18:45:23Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。