Fugu-MT 論文翻訳(概要): Adversarial Frontiers: Minimum-Norm Attack Ensembles for Robustness Evaluation

論文の概要: Adversarial Frontiers: Minimum-Norm Attack Ensembles for Robustness Evaluation

arxiv url: http://arxiv.org/abs/2607.19855v1
Date: Wed, 22 Jul 2026 07:43:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 18:51:38.017925
Title: Adversarial Frontiers: Minimum-Norm Attack Ensembles for Robustness Evaluation
Title（参考訳）: 敵対的フロンティア:ロバストネス評価のための最小限の攻撃アンサンブル
Abstract要約: アドリアロバスト性は、AutoAttackのような事前に定義された攻撃アンサンブルで、単一の摂動予算$varepsilon$で評価される。我々は、この定式化は基本的に制限されていると主張している。第一に、頑健な摂動曲線は、モデル間で異なる速度で交差または崩壊し、単一の$varepsilon$ランキングが不安定になる。第二に、現在のアンサンブルは最適性の証拠を示さず、未知のギャップを最悪の場合のパフォーマンスに残す。
参考スコア（独自算出の注目度）: 19.68581886369122
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adversarial robustness is commonly evaluated with predefined attack ensembles, such as AutoAttack, at a single perturbation budget $\varepsilon$ and on a selective choice of perturbation norms. We argue this formulation is fundamentally limited. First, robustness--perturbation curves may intersect or decay at different rates across models, making single-$\varepsilon$ rankings unstable. Second, current ensembles provide no evidence of optimality, leaving an unknown gap to worst-case performance. Third, fixed attack configurations provide no systematic control over the trade-off between attack strength and evaluation cost. To address these limitations, we introduce a unified evaluation framework based on a comprehensive pool of minimum-norm attacks and robustness--perturbation curves across $\ell_0$, $\ell_1$, $\ell_2$ and $\ell_\infty$ norms. We define the attack frontier as the worst-case robustness estimate the attack pool produces against a model. We then formalize evaluation as a frontier-approximation problem, constructing minimum-norm attack ensembles, optimized subsets of the comprehensive pool, that approach the frontier under a controllable query budget, with larger budgets monotonically tightening the estimate. Furthermore, we define the defense frontier as the maximum robustness across the model set at each perturbation size. We finally propose the Defense Optimality Index to rank defenses by their gap to the defense frontier, providing a ranking without selecting a reference $\varepsilon$. On CIFAR-10 and ImageNet, our ensembles match or exceed AutoAttack on most defenses at every budget tier, at fixed and controllable query cost, offering practitioners a query-controlled, curve-based alternative to fixed-$\varepsilon$ evaluation.
Abstract（参考訳）: 敵対的堅牢性は、AutoAttackのような事前に定義された攻撃アンサンブルで、単一の摂動予算$\varepsilon$と摂動規範の選択によって評価される。この定式化は基本的に限定的であると我々は主張する。第一に、頑健性-摂動曲線は、モデル間で異なる速度で交差または崩壊し、単一の$\varepsilon$ランクが不安定になる。第二に、現在のアンサンブルは最適性の証拠を示さず、未知のギャップを最悪のパフォーマンスに残している。第三に、固定的な攻撃構成は、攻撃強度と評価コストのトレードオフを体系的に制御するものではない。これらの制限に対処するため、最小限のノーム攻撃とロバストネスの包括的なプールに基づく統一評価フレームワークを導入し、$\ell_0$, $\ell_1$, $\ell_2$, $\ell_\infty$をまたいだ摂動曲線について述べる。我々は、アタック・フロンティアを、アタック・プールがモデルに対して生み出す最悪のロバスト性推定として定義する。次に、フロンティア近似問題として評価を形式化し、最小限の攻撃アンサンブルを構築し、包括的なプールの最適化されたサブセットを構築し、制御可能なクエリ予算の下でフロンティアに接近し、予測を単調に締め付ける。さらに,防衛フロンティアを各摂動サイズに設定されたモデル全体の最大ロバスト性として定義する。最終的に、防衛最適指数を提案して、防衛フロンティアとのギャップによって防衛をランク付けし、参照の$\varepsilon$を選択することなくランク付けする。 CIFAR-10とImageNetでは、我々のアンサンブルは、すべての予算層において、固定的で制御可能なクエリコストでAutoAttackにマッチするか、超過します。

関連論文リスト

Cost-Aware Multi-Objective Bandits: Theory and Application to Budgeted LLM Configuration Evaluation [23.566982511686096]
我々は,大規模言語モデル (LLM) の構成評価を,コストを意識した多目的バンディット問題として定式化する。オンライン構成選択には,楽観的なハイパーボリューム・コスト・インデックスを最適化するハイパーベース UCB アルゴリズムを提案する。 LLM設定評価タスクの実験は,提案フレームワークが効率的なオンライン意思決定を可能にすることを示す。
論文参考訳（メタデータ） (2026-08-05T01:21:02Z)
Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
論文参考訳（メタデータ） (2026-05-22T08:26:08Z)
WMAttack: Automated Attack Search for Adversarial Evaluation of World-Model Agents [53.84430233754606]
WMAttackは、世界モデルエージェントの敵意評価のための自動攻撃探索フレームワークである。 WMAttackは攻撃構成に対する有限予算探索としてロバストネス評価を定式化する。 WMAttackは評価ベースラインよりも強力な攻撃を継続的に発見することを示す。
論文参考訳（メタデータ） (2026-05-22T04:31:09Z)
Is Escalation Worth It? A Decision-Theoretic Characterization of LLM Cascades [0.0]
制約付き最適化と双対性に基づく決定論的フレームワークを開発する。フレームワークを5つのプロバイダから8つのモデルにまたがる5つのベンチマークで検証します。
論文参考訳（メタデータ） (2026-05-07T14:32:27Z)
$σ$-zero: Gradient-based Optimization of $\ell_0$-norm Adversarial Examples [14.17412770504598]
入力摂動の作成には$ell_infty$-normの制約が使用できることを示す。我々は $sigma$NISTtt- と呼ばれる新しい $ell_infty$-norm 攻撃を提案する。
論文参考訳（メタデータ） (2024-02-02T20:08:11Z)
Fixed-Budget Differentially Private Best Arm Identification [62.36929749450298]
差分プライバシー制約下における固定予算制度における線形包帯のベストアーム識別(BAI)について検討した。誤差確率に基づいてミニマックス下限を導出し、下限と上限が指数関数的に$T$で崩壊することを示した。
論文参考訳（メタデータ） (2024-01-17T09:23:25Z)
Alternating Objectives Generates Stronger PGD-Based Adversarial Attacks [78.2700757742992]
Projected Gradient Descent (PGD) は、そのような敵を生成するための最も効果的で概念的にシンプルなアルゴリズムの1つである。この主張を合成データの例で実験的に検証し、提案手法を25の$ell_infty$-robustモデルと3つのデータセットで評価した。私たちの最強の敵攻撃は、AutoAttackアンサンブルのすべてのホワイトボックスコンポーネントより優れています。
論文参考訳（メタデータ） (2022-12-15T17:44:31Z)
Practical Evaluation of Adversarial Robustness via Adaptive Auto Attack [96.50202709922698]
実用的な評価手法は、便利な(パラメータフリー)、効率的な(イテレーションの少ない)、信頼性を持つべきである。本稿では,パラメータフリーな適応オートアタック (A$3$) 評価手法を提案する。
論文参考訳（メタデータ） (2022-03-10T04:53:54Z)
PDPGD: Primal-Dual Proximal Gradient Descent Adversarial Attack [92.94132883915876]
最先端のディープニューラルネットワークは、小さな入力摂動に敏感である。対向騒音に対するロバスト性を改善するための多くの防御法が提案されている。敵の強靭さを評価することは極めて困難であることが分かりました
論文参考訳（メタデータ） (2021-06-03T01:45:48Z)
Understanding Frank-Wolfe Adversarial Training [1.2183405753834557]
Adversarial Training(AT)は、最悪のケースの損失を最小限に抑えるために、堅牢な最適化問題を解決する技術です。 frank-wolfe adversarial trainingアプローチが提示され、pgd-atのような競争力レベルの堅牢性を提供する。
論文参考訳（メタデータ） (2020-12-22T21:36:52Z)
Sharp Statistical Guarantees for Adversarially Robust Gaussian Classification [54.22421582955454]
逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
論文参考訳（メタデータ） (2020-06-29T21:06:52Z)

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。