論文の概要: A Survey of Adversarial Efficiency Degradation for Vision Transformer by Exploiting Input-adaptive Optimization

• arxiv url: http://arxiv.org/abs/2608.05217v1
• Date: Wed, 05 Aug 2026 10:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.632596
• Title: A Survey of Adversarial Efficiency Degradation for Vision Transformer by Exploiting Input-adaptive Optimization
• Title（参考訳）: 入力適応最適化の爆発による視覚変換器の逆効率劣化の検討
• Abstract要約: ViT(Vision Transformer)は、トークンプルーニングや早期停止といった入力適応型推論を、エネルギーと遅延の予算を満たすためにますます頼りにしている。 本研究は、これらのメカニズムが必ずしも精度を低下させることなく増大することを目的とした、近年の対向効率劣化攻撃の類型について検討する。
• 参考スコア（独自算出の注目度）: 2.458848206334729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Transformers (ViTs) increasingly rely on input-adaptive inference, such as token pruning and early halting, to meet energy and latency budgets. This survey examines a recent class of adversarial efficiency degradation attacks that target these mechanisms to increase computation without necessarily degrading accuracy. We unify and compare two representative attacks, SlowFormer (a universal adversarial patch) and DeSparsify (per-image perturbations), across three popular token-pruning frameworks: A-ViT, ATS, and AdaViT. We standardize reporting using GFLOPs, accuracy loss, and an Attack Success (AS) metric that measures how much of the model's compute savings the attack takes away. Understanding these attacks is crucial for designing countermeasures that not only mitigate risk but also remain lightweight, since deployment often occurs in low-power settings such as mobile or embedded devices. To organize our analysis, we focus on three questions: how input-adaptive optimizations (e.g., token pruning and early halting) create attack surfaces for efficiency degradation; how such attacks operate in practice and which optimizations are most vulnerable; and which defenses exist today and whether they meaningfully restore efficiency under attack.
• Abstract（参考訳）: ViT(Vision Transformer)は、トークンプルーニングや早期停止といった入力適応型推論を、エネルギーと遅延の予算を満たすためにますます頼りにしている。 本研究は, これらのメカニズムを目標として, 必ずしも精度を低下させることなく, 計算量を増やすことを目的とした, 近年の対向効率劣化攻撃について検討する。 SlowFormer(ユニバーサル逆境パッチ)とDeSparsify(イメージごとの摂動)という2つの代表的な攻撃を、A-ViT、ATS、AdaViTという3つの一般的なトークン処理フレームワークにまとめて比較する。 我々は、GFLOP、精度損失、および攻撃を回避したモデルの計算貯蓄量を測定するアタック成功(AS)メトリクスを使用して、レポートを標準化する。 これらの攻撃を理解することは、リスクを緩和するだけでなく、モバイルや組み込みデバイスのような低消費電力環境に展開されることも多いため、軽量のままであるような対策を設計する上で重要である。 分析を整理するために、入力適応最適化(例えば、トークンプルーニングと早期停止)が効率低下のための攻撃面をどのように生成するか、そのような攻撃が実際にどのように動作し、どの最適化が最も脆弱であるか、現在どの防御が存在しているか、攻撃中の効率を有意義に回復するか、という3つの質問に焦点をあてる。

関連論文リスト

• MOAT: Model-Agnostic Randomized Transformations for preventing Efficiency Degradation Attacks on ViTs [5.317090645596605]
  トークンプルーニングは、精度に影響を与えることなく計算コストを削減するために広く使われている。 敵は、ViTsを効率的にするためのこのような試みを弱めるために、上記のトークンプルーニング技術に対する標的攻撃を開発した。 効率的なViT実装を保護するために,入力変換の組み合わせを適用したモデルに依存しない事前処理防衛パイプラインMOATを提案する。
  論文  参考訳（メタデータ） (2026-08-05T10:47:58Z)
• ATAAT: Adaptive Threat-Aware Adversarial Tuning Framework against Backdoor Attacks on Vision-Language-Action Models [11.93174278125059]
  本研究では,視覚経路を標的としたバックドア攻撃について検討した。 従来の攻撃パラダイムの障害の原因となる中核的障害を識別する:「グラディエント干渉」 適応型脅威認識型適応チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T02:15:10Z)
• EAGER: Edge-Aligned LLM Defense for Robust, Efficient, and Accurate Cybersecurity Question Answering [10.78145758065258]
  EAGERは、パラメータ効率の量子化とドメイン固有の優先順位アライメントを統合し、効率、堅牢性、精度を共同で最適化する。 実験により、EAGERは敵の攻撃成功率を最大7.3倍に下げ、最先端の防御よりもQAの精度を最大55%向上させることが示された。
  論文  参考訳（メタデータ） (2025-11-24T06:49:48Z)
• Sampling-aware Adversarial Attacks Against Large Language Models [52.30089653615172]
  既存の敵攻撃は、通常、単一点の欲望世代において有害な反応を標的とする。 本研究では,有害な応答を抽出する目的のために,攻撃時のモデル出力の繰り返しサンプリングを行う。 既存の攻撃にサンプリングを統合することで、成功率が最大37%向上し、最大2桁の効率が向上することを示す。
  論文  参考訳（メタデータ） (2025-07-06T16:13:33Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• DeSparsify: Adversarial Attack Against Token Sparsification Mechanisms in Vision Transformers [25.560501078099826]
  DeSparsifyはトークンスペーサー機構を用いた視覚変換器の可用性を狙った攻撃である。 この攻撃は、ステルス性を維持しながら、オペレーティングシステムのリソースを浪費することを目的としている。 攻撃の影響を軽減するため,様々な対策を提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:59:35Z)
• Revisiting DeepFool: generalization and improvement [16.554225382392993]
  我々は,有効性と計算効率のバランスを崩す新たな敵攻撃群を導入する。 提案手法は,大規模モデルのロバスト性の評価にも適しており,敵の訓練に使用できる。
  論文  参考訳（メタデータ） (2023-03-22T11:49:35Z)
• Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
  本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。 有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。 SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
  論文  参考訳（メタデータ） (2022-07-25T03:24:58Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• 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。