論文の概要: A Convolutional Layer Activation Dimensionality Reduction for Out-of-Distribution and Adversarial Attack Detection Methods

• arxiv url: http://arxiv.org/abs/2608.10203v1
• Date: Mon, 10 Aug 2026 20:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.805889
• Title: A Convolutional Layer Activation Dimensionality Reduction for Out-of-Distribution and Adversarial Attack Detection Methods
• Title（参考訳）: 分散・逆攻撃検出のための畳み込み層活性化次元の低減
• Abstract要約: 本研究では,2つの最先端検出手法と,畳み込み層における寸法の低減について検討する。 制御可能な高圧縮レベルを有する新しい還元法を開発した。 その結果,提案手法は,最強の代替手段よりも常に優れた性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 1.375148829920091
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite the success of convolutional neural networks in image classification tasks and their general application in multi-modal models, their susceptibility to out-of-distribution and adversarial attack samples raises concerns regarding trustworthiness and safety. Among the approaches to tackle such issues, detection methods that analyze the model's intermediate activations to estimate a confidence score are a promising family that evaluates the decision process, relying on a dimensionality reduction step to enable efficient downstream processing of the high-dimensional activations. However, when considering convolutional layers, the dimensionality reduction methods in the literature either lack a mechanism to control the compression/information-loss trade-off or yield large representations. In this paper, we carefully analyze two state-of-the-art detection methods and their dimensionality reductions for convolutional layers and develop a novel reduction method with a controllable high-compression level. We extend these two state-of-the-art detection methods, enabling the usage of any dimensionality reduction, and evaluate their performance on out-of-distribution and adversarial attack detection. Results show that the detection methods with the proposed dimensionality reduction consistently perform better than, or comparable to, the strongest alternative. Furthermore, the proposed method is shown to reduce computation and memory footprints, given that it has the highest compression among the compared methods.
• Abstract（参考訳）: 画像分類タスクにおける畳み込みニューラルネットワークの成功と、マルチモーダルモデルにおける一般的な応用にもかかわらず、アウト・オブ・ディストリビューションや敵対的攻撃サンプルへの感受性は、信頼性と安全性に関する懸念を提起する。 このような問題に対処するためのアプローチとして、モデルの中間的アクティベーションを分析して信頼スコアを推定する検出方法は、高次元アクティベーションの効率的な下流処理を実現するための次元削減ステップに依存する、決定プロセスを評価する有望なファミリーである。 しかし、畳み込み層を考慮すると、文献の次元減少法には圧縮/情報損失トレードオフを制御するメカニズムが欠けているか、大きな表現が得られない。 本稿では,2つの最先端検出手法とその畳み込み層次元低減手法を慎重に解析し,制御可能な高圧縮レベルを有する新しい還元法を開発した。 本稿では,これら2つの最先端検出手法を拡張し,任意の次元の縮小を可能とし,分布外および敵攻撃検出の性能評価を行う。 その結果,提案手法は,最強の代替手段よりも常に優れた性能を示すことがわかった。 さらに,提案手法は,比較手法の中で最も高い圧縮率を有することを考えると,計算量やメモリフットプリントを削減する。

関連論文リスト

• Evaluating ML-based Intrusion Detection Systems: The Illusion of Model Efficacy [0.0]
  侵入検知は機械学習の統合によって革命的になった。 本稿では,MLに基づくネットワーク侵入検知システムにおいて,アルゴリズムの強化とメートル法調整を超越した手法を提案する。
  論文  参考訳（メタデータ） (2026-09-02T11:39:02Z)
• Low Rank Adaptation for Adversarial Perturbation [50.24377354110586]
  Low-Rank Adaptation (LoRA) はLarge Language Models (LLM) のトレーニング効率を大幅に改善した。 逆方向の例の生成はモデルトレーニングに類似した最適化プロセスであるため、これは自然に疑問を提起する: 逆方向の摂動は同様の低ランク構造を示すか? 本稿では, 種々の攻撃手法, モデルアーキテクチャ, およびデータセットに関する理論的解析および広範な実証的研究を行い, 対向摂動が実際に低ランク構造を持つことを示す。
  論文  参考訳（メタデータ） (2026-04-30T06:38:28Z)
• Efficient Anti-exploration via VQVAE and Fuzzy Clustering in Offline Reinforcement Learning [14.04169447103753]
  Pseudo-countは、オフライン強化学習(RL)において、状態-作用ペアを数えることによる効果的な反探索手法である。 既存の反探索法は、これらのデータを離散化することで連続した状態-作用対をカウントするが、しばしば次元的災害や情報損失の問題に悩まされる。 本稿では,ベクトル量子化変分オートエンコーダ(VQVAE)とファジィクラスタリングに基づく新しいアンチサーベイ手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:42:06Z)
• GradID: Adversarial Detection via Intrinsic Dimensionality of Gradients [0.1019561860229868]
  本稿では,モデルの入力損失景観の幾何学的特性について検討する。 提案手法の基盤となる自然データと逆データに対するIDの相違点を明らかにした。 我々の検出器は、CWやAutoAttackを含む様々な攻撃に対して既存の手法を大幅に上回り、CIFAR-10では92%以上の検出率を達成した。
  論文  参考訳（メタデータ） (2025-12-14T20:16:03Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
  既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。 この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。 ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。 本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
  論文  参考訳（メタデータ） (2025-03-03T11:00:25Z)
• Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
  敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。 分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。 実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2024-08-12T02:48:00Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature Representations [8.915958745269442]
  異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。 ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。 本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:45:02Z)
• Knowledge Distillation for Anomaly Detection [1.864421043173559]
  本稿では,非教師付き異常検出モデルから教師付きデプロイ可能なモデルに圧縮する新しい手法を提案する。 検出感度を向上させるための一連の手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T18:02:38Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)

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。