論文の概要: Suppress and Diversify: Refining Robust Pathways for Corruption Robustness

• arxiv url: http://arxiv.org/abs/2608.06712v1
• Date: Fri, 07 Aug 2026 02:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.328811
• Title: Suppress and Diversify: Refining Robust Pathways for Corruption Robustness
• Title（参考訳）: Suppress and Diversify: 破壊性ロバスト性のためのロバストパスの精製
• Abstract要約: Suppress and Diversify (S&D) は、ロバストパスを動的に選択することでロバスト性を高める非侵襲的な改善手法である。 S&Dはアーキテクチャに依存しず、パラメータフリーであり、テスト時間オーバーヘッドをゼロにする。
• 参考スコア（独自算出の注目度）: 5.2174037606370725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model robustness against natural image corruptions is essential for safety-critical applications. While existing methods primarily focus on implicit representation learning, we provide the first systematic exploration of computational pathways to explicitly characterize internal robustness. We identify a progressive decay of robust features across network layers and establish a functional dependency between the prevalence of these features and model performance. To exploit these insights, we propose Suppress and Diversify (S\&D), a non-intrusive refinement approach that enhances robustness by dynamically selecting robust pathways and diversifying them through symmetry-preserving transformations. S\&D is architecture-agnostic, parameter-free, and incurs zero test-time overhead. Extensive evaluations across eight benchmarks demonstrate that S\&D consistently improves performance across multiple vision tasks, diverse backbones, and complex real-world scenarios, highlighting its broad efficacy and scalability.
• Abstract（参考訳）: 自然画像の破損に対するモデルロバスト性は、安全クリティカルな応用に不可欠である。 既存の手法は主に暗黙的表現学習に重点を置いているが、内部の堅牢性を明示的に特徴づける計算経路の体系的な探索は初めてである。 ネットワーク層にまたがるロバストな機能の進歩的崩壊を特定し,これらの特徴の出現率とモデル性能の関数的依存性を確立する。 これらの知見を生かしたSuppress and Diversify (S\&D) は、ロバストな経路を動的に選択し、対称性保存変換によってそれらを多様化することにより、ロバスト性を高める非侵襲的な洗練手法である。 S\&Dはアーキテクチャに依存しず、パラメータフリーで、テスト時間オーバーヘッドをゼロにする。 8つのベンチマークにわたる大規模な評価は、S\&Dが複数のビジョンタスク、多様なバックボーン、複雑な現実世界シナリオのパフォーマンスを一貫して改善し、その広範な有効性とスケーラビリティを強調していることを示している。

関連論文リスト

• Dual Adversarial Fine-tuning for Enhancing Robustness of Large Vision Language Model [73.59026525350808]
  2つのモードからの視覚的および意味的な監視信号を協調的に最適化する二重対向微調整フレームワークを提案する。 本手法は, ゼロショット分類, 画像キャプション, 視覚的質問応答タスクにおいて, 対向ロバスト性評価における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2026-07-21T10:49:29Z)
• DivRL: Disentangled Self-Similarity Rewards for Diverse Subject-Driven Generation [52.23323703015865]
  本研究では,アイデンティティの整合性と構造的多様性を同時に最適化するDivRLというポストトレーニングフレームワークを提案する。 構造的多様性を定量化するための負の自己相似性尺度(nSSM)と、アイデンティティの整合性を評価するための視覚的セマンティックマッチング(VSM)を導入する。
  論文  参考訳（メタデータ） (2026-06-22T21:22:42Z)
• SECURE: Stable Early Collision Understanding via Robust Embeddings in Autonomous Driving [14.057807061501004]
  SECURE - 安定早期衝突理解ロバスト埋め込み(Robust Embeddings)は、モデルロバスト性を正式に定義し、強制するフレームワークである。 本稿では,多目的損失を用いたベースラインモデルを微調整し,基準モデルからの偏差を最小化し,逆方向の摂動に対する感度を低下させる手法を提案する。DADおよびCDDデータセットを用いた実験により,本手法は種々の摂動に対する堅牢性を著しく向上するだけでなく,クリーンデータの性能向上も図っている。
  論文  参考訳（メタデータ） (2026-04-01T19:42:32Z)
• Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
  既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。 本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。 提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
  論文  参考訳（メタデータ） (2025-12-19T12:56:17Z)
• Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
  本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。 本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。 その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-02T11:37:39Z)
• Improving Adversarial Robustness via Feature Pattern Consistency Constraint [42.50500608175905]
  畳み込みニューラルネットワーク(CNN)は、敵の攻撃に対する脆弱性で知られており、重大なセキュリティ上の懸念を呈している。 既存のほとんどの方法は、敵の摂動から学ぶことに集中し、敵の例に過度に適合させるか、推論中にそのような摂動を取り除くことを目指している。 本稿では,特徴パターンの正しい維持能力を高めるために,新規かつ効果的な特徴パターン一貫性制約(FPCC)手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T05:38:30Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Exploring Robust Features for Improving Adversarial Robustness [11.935612873688122]
  本研究では, 対向的摂動の影響を受けない頑健な特徴を探索し, モデルの対向的強靭性を改善する。 具体的には、ロバストでない特徴やドメイン固有の特徴からロバストな特徴を分離する機能障害モデルを提案する。 トレーニング済みのドメイン識別器は、クリーンな画像や敵の例から、ほぼ完璧にドメイン固有の特徴を識別することができる。
  論文  参考訳（メタデータ） (2023-09-09T00:30:04Z)
• Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
  セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。 我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。 我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-01T10:02:26Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)

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。