論文の概要: Adversarially Robust Abductive Fusion of Pre-trained Transformer-based Perception Models

• arxiv url: http://arxiv.org/abs/2608.04190v1
• Date: Tue, 04 Aug 2026 19:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.605949
• Title: Adversarially Robust Abductive Fusion of Pre-trained Transformer-based Perception Models
• Title（参考訳）: 事前学習型変圧器を用いた知覚モデルの逆ロバストアブダクティブ融合
• Authors: Mario Leiva, Yue Ma, Qinru Qiu, Gerardo Simari, Paulo Shakarian,
• Abstract要約: 従来のメタ認知的手法は、モデルのエラーを示す論理ルールを学習するが、手書きのドメイン知識に頼っている。 このメタ認知層はベクトル空間幾何学を利用してドメインの知識を使わずに学習可能であることを示す。 アプローチはニューロシンボリックであるため、これらのルールは単一の論理的枠組みを共有しており、利用可能なドメイン知識によって補完することができる。
• 参考スコア（独自算出の注目度）: 5.574264082008515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying pre-trained perception models in novel environments degrades their accuracy under distributional shift, and assembling them alone does not recover it: combiners such as majority voting trade recall for precision and are brittle to coordinated failures. Prior metacognitive methods learn logical rules that flag a model's errors, but rely on hand-authored domain-knowledge cues (object-size priors, segmentation masks) that do not transfer to genuinely novel scenes. We show that this metacognitive layer can be learned without any domain knowledge by exploiting vector-space geometry: per-model Label Vector Pools (LVP), built from each model's own training embeddings, yield error-detection rules from the geometry of detections relative to training-determined prototypes, reaching parity with domain-knowledge rules to within $0.002$ every F1 on test set. Because the approach remains neurosymbolic, these geometric rules share a single logical framework and can still be complemented by domain knowledge when available. We frame the fusion of multiple imperfect ViT-based detectors as a consistency-based abduction problem solved at test time by an exact Integer Program (IP) and a polynomial-time heuristic. On an aerial-imagery benchmark of 15 weather-shifted test sets and six ViT detectors, our domain-knowledge-free layer matches the strongest majority-vote variant on clean data (within $0.005$ F1) and, unlike every majority-vote baseline, retains its performance under a coordinated label-flipping attack: at a $90\%$ flip rate it averages $0.42$ F1 versus $0.35$ for MV-Plurality (a $22\%$ relative gain) and attains the highest F1 on \emph{every} test set once the flip rate exceeds $0.4$
• Abstract（参考訳）: 新たな環境に事前学習された知覚モデルを配置することは、分散シフトの下で精度を低下させ、それを組み立てることだけでは回復しない。 従来のメタ認知的手法は、モデルのエラーにフラグを付ける論理ルールを学ぶが、真に新しいシーンに転送しない手書きのドメイン知識キュー(オブジェクトサイズ、セグメンテーションマスク)に依存している。 モデルラベルベクトルプール(LVP)は、各モデルのトレーニング埋め込みから構築され、トレーニング決定されたプロトタイプに対する検出の幾何学から誤り検出ルールを出力し、ドメイン知識のルールと同等に、テストセット毎のF1あたり0.002ドル以内まで到達する。 アプローチはニューロシンボリックであるため、これらの幾何学的規則は単一の論理的枠組みを共有しており、利用可能なドメイン知識によって補うことができる。 Integer Program (IP) と多項式時間ヒューリスティックにより, テスト時に解決した整合性に基づく退避問題として, 複数の不完全ViT検出器の融合を考察した。 15の気象変動テストセットと6つのViT検出器の空中画像ベンチマークでは、ドメイン知識のないレイヤがクリーンなデータ上で最強の多数決投票($0.005$F1)と一致し、すべての多数決投票ベースラインとは異なり、そのパフォーマンスは調整されたラベルフリッピング攻撃で維持される。

関連論文リスト

• AEGIS: Assay-Aware Protocol Validation and Runtime Monitoring for Open-Source Liquid Handling Robots [5.085084241476424]
  本稿では,オープンソースの液体ハンドラの2層保護体であるAEGISを紹介する。 OT-2 Python コードに原因がある LLM による機械可読性アッセイルールデータベース。 レイヤ2はPCAワールドモデルとYOLOクロッピングされた4フレームのピペットトラジェクトリに適合する。
  論文  参考訳（メタデータ） (2026-07-17T04:39:04Z)
• A Boundary-Metric Evaluation Protocol for Whiteboard Stroke Segmentation Under Extreme Imbalance [0.0]
  境界対応メトリクスと細いサブセットの株式分析は、損失関数のランク付けと隠されたトレードオフの公開方法を変える。 DeepLabV3-MobileNetV3モデルでは5つの損失がそれぞれ3回トレーニングされ、12のホールドアウトイメージで評価される。 オーバーラップベースの損失は、クロスエントロピーでF1を20ポイント以上改善する。
  論文  参考訳（メタデータ） (2026-02-26T05:16:18Z)
• Beyond Accuracy: A Unified Random Matrix Theory Diagnostic Framework for Crash Classification Models [6.908972852063454]
  ランダム行列理論(RMT)とヘビープレート自己正規化(HTSR)に基づく診断枠組みを導入する。 アイオワDOTの2つのクラッシュ分類タスク(173,512,371,062)において,9つのモデルファミリーを評価した。 正規化されたモデルは常に$[2, 4]$(平均2.87 pm 0.34$)内で$を出力します。 我々は、$$ベースの早期停止基準とスペクトルモデル選択プロトコルを提案し、両者が相互検証されたFに対して検証する。
  論文  参考訳（メタデータ） (2026-02-23T05:42:54Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• MaskPro: Linear-Space Probabilistic Learning for Strict (N:M)-Sparsity on Large Language Models [53.36415620647177]
  半構造化された空間は、M$M$の重みからN$の要素を戦略的に保持することで、有望なソリューションを提供する。 既存の(N:M)互換のアプローチは通常、かなりのエラーに悩まされるルールベースの階層的な欲求探索と、禁止的なトレーニングコストを引き起こす勾配駆動学習の2つのカテゴリに分類される。 MaskProという新しい線形空間確率的フレームワークを提案する。これは、M$連続重みごとに事前のカテゴリー分布を学習し、その後、この分布を活用して(N:M)スパーシリティを$N$-wayサンプリングを通じて生成することを目的としている。
  論文  参考訳（メタデータ） (2025-06-15T15:02:59Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection [23.684577046512747]
  私たちは、$textbfSim$ple dissimilarity-based approach for time series $textbfA$nomaly $textbfD$etection($textbfSimAD$)を紹介します。 SimADは最初、拡張時間ウィンドウを処理できるパッチベースの機能抽出器を組み込んでおり、通常の動作パターンを完全に統合するためにEmbedPatchエンコーダを使用している。 次に,SimADにおけるContrastFusionモジュールの設計を行い,異常検出のロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-18T09:37:04Z)

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。