論文の概要: Beyond Decision Boundaries: Relational Geometry Attacks on Contrastive Embedding Manifolds
- arxiv url: http://arxiv.org/abs/2608.10237v1
- Date: Mon, 10 Aug 2026 21:16:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.813723
- Title: Beyond Decision Boundaries: Relational Geometry Attacks on Contrastive Embedding Manifolds
- Title（参考訳）: 決定境界を超える:相対的埋め込み多様体上の関係幾何学的攻撃
- Abstract要約: 我々は,多様体レベルの関係汚職として,対照的なシステムに対する攻撃を再構成する幾何学的対応型敵攻撃フレームワークを導入する。
提案したフレームワークは、正の対を分割することで、埋め込み多様体内の類似性構造を体系的に歪めている。
提案手法は, 正負類似性構造を完全に逆転しながら, 95.4%から38.6%まで精度を低下させることを示した。
- 参考スコア（独自算出の注目度）: 16.306226464987592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrastive learning and Siamese embedding models have become the foundation of modern verification systems, where decisions are governed not by discrete classification boundaries, but by relational geometry in embedding space. However, existing adversarial attacks remain fundamentally classification-centric, overlooking the vulnerability of relational geometry. In this paper, we introduce a geometry-aware adversarial attack framework that reformulates attacks on contrastive systems as manifold-level relational corruption. Instead of targeting individual predictions, the proposed framework systematically distorts similarity organization within the embedding manifold by pushing positive pairs apart while simultaneously pulling negative pairs closer, ultimately collapsing and inverting pairwise similarity structure. To enable scalable deployment, we shift iterative online optimization into an offline adversarial geometry deformation prior learning stage and train a lightweight feed-forward generator that learns generalized geometry deformation patterns from the victim model. Once trained, the generator produces adversarial perturbations through a single forward pass without requiring online gradient computation, enabling real-time online attacks against similarity-based verification systems. Experimental results across multiple verification architectures demonstrate substantial degradation of verification performance together with severe manifold-level relational corruption. On the Markmatch verification system, the proposed attack reduces accuracy from 95.4% to 38.6% while completely reversing the positive-negative similarity structure.
- Abstract（参考訳）: コントラスト学習とシームズ埋め込みモデルは現代の検証システムの基盤となり、決定は個別の分類境界ではなく、埋め込み空間における関係幾何学によって制御される。
しかし、既存の敵攻撃は基本的に分類中心であり、関係幾何学の脆弱性を見落としている。
本稿では,多様体レベルの関係汚職として対照的なシステムに対する攻撃を再構成する,幾何学的対応型敵攻撃フレームワークを提案する。
提案手法は個々の予測を対象とせず、正の対を分割し、同時に負の対を近づき、最終的に崩壊し、対の類似構造を反転させることにより、埋め込み多様体内の類似組織を体系的に歪曲する。
スケーラブルな展開を実現するため、我々は、反復的なオンライン最適化を学習段階前のオフラインの対向幾何学的変形に移行し、被害者モデルから一般化された幾何学的変形パターンを学習する軽量フィードフォワードジェネレータを訓練する。
訓練後、ジェネレータは、オンライン勾配計算を必要とせず、単一の前方通過を通して敵の摂動を発生させ、類似性ベースの検証システムに対するリアルタイムオンライン攻撃を可能にする。
複数の検証アーキテクチャにまたがる実験結果は、厳密な多様体レベルの関係性破壊とともに、検証性能の著しく低下を示す。
Markmatch検証システムでは、提案された攻撃により、正負の類似構造を完全に逆転しながら、95.4%から38.6%に精度が低下する。
関連論文リスト
- The Quadrilateral Loss: Additivity as a Measurable Behavior of Dense Neural Networks [0.0]
積算性を測定可能な振る舞いとして扱う4次的損失,すなわち微分可能なペナルティを導入する。
我々は, 正確な添加率, 構造マスク, 行動的ペナルティ, 体重減少, バックフィッティング, 共有断面モデル, バンチ強化切り株の経路を比較した。
論文 参考訳（メタデータ） (2026-07-22T14:23:37Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。
軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。
広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
論文 参考訳（メタデータ） (2026-04-16T06:40:50Z) - Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。
MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。
コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
論文 参考訳（メタデータ） (2026-02-15T17:44:32Z) - Rethinking Transferable Adversarial Attacks on Point Clouds from a Compact Subspace Perspective [55.919842734983156]
CoSAは、共有された低次元セマンティック空間内で機能する転送可能なアタックフレームワークである。
CoSAは、最先端のトランスファー可能な攻撃を一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-30T15:48:11Z) - Rectifying Geometry-Induced Similarity Distortions for Real-World Aerial-Ground Person Re-Identification [4.039576422478934]
航空地上人物再識別(AG-ReID)は、極端な視点と距離の相違により根本的な課題である。
既存の手法は幾何学的特徴学習や外観条件付きプロンプトに依存している。
Geometry-induced Query-Key Transformation (GIQT) は、カメラ幾何学におけるクエリキーの相互作用を条件に、類似性空間を補正する軽量な低ランクモジュールである。
論文 参考訳（メタデータ） (2026-01-29T08:41:42Z) - Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。
中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。
本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文 参考訳（メタデータ） (2025-07-09T20:09:00Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - An Intermediate-level Attack Framework on The Basis of Linear Regression [89.85593878754571]
本論文はECCVにおいて,いくつかのベースライン対向例の転送性を改善するため,中間レベルアタック(中間レベルアタック)を提案し,本研究を実質的に拡張するものである。
我々は,中間レベルの相違点(対角的特徴と良性的特徴)から,対角的例の分類的損失への直接的な線形写像の確立を提唱する。
1) 様々な線形回帰モデルがマッピングを確立するために考慮可能であること,2) 最終的に得られた中間レベル差の大きさが逆転率と線形に相関していること,3) ベースラインアタックを複数回実行することで,さらなる性能向上が達成できること,などが示される。
論文 参考訳（メタデータ） (2022-03-21T03:54:53Z) - 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。