論文の概要: Learning with Bilevel-Minimax Optimization for Efficient and Reliable Transfer Attacks

• arxiv url: http://arxiv.org/abs/2608.11815v1
• Date: Wed, 12 Aug 2026 08:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.526956
• Title: Learning with Bilevel-Minimax Optimization for Efficient and Reliable Transfer Attacks
• Title（参考訳）: 高速かつ信頼性の高い転送攻撃に対するバイレベルミニマックス最適化による学習
• Abstract要約: トランスファーベースの敵は、サロゲートモデルを使用して敵を攻撃し、ブラックボックスの犠牲者モデルを誤解させる。 BMAT (Bilevel-Minimax Adversarial Transfer) を提案する。 BMATは、30以上の犠牲者モデルで10以上の強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 14.568689347801289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer-based adversarial attacks craft adversarial examples using surrogate models to mislead black-box victim models. Beyond perturbation generation, transferability is fundamentally governed by the coupling of initialization, surrogate adaptation, and gradient dynamics. We revisit this challenge from a bilevel-minimax perspective and propose BMAT (Bilevel-Minimax Adversarial Transfer). The bilevel formulation captures the dependency between initialization and perturbation, while the inner minimax problem promotes surrogate robustness for cross-architecture generalization. Algorithmically, we develop an integrated bottom-up solver that combines a Soft Weight Modulator and an Implicit Gradient Approximator to enable ternary coupling among initialization, surrogate adaptation, and perturbation optimization. We further provide theoretical insights into the optimization dynamics of the proposed bilevel-minimax framework. Extensive experiments on classification and segmentation benchmarks show that BMAT outperforms more than 10 strong baselines across more than 30 victim models, improving both intra- and cross-architecture transfer and yielding up to a 2x reduction in mIoU. Code is available at https://github.com/callous-youth/BMAT.
• Abstract（参考訳）: トランスファーベースの敵は、サロゲートモデルを使用して敵を攻撃し、ブラックボックスの犠牲者モデルを誤解させる。 摂動生成以外にも、転移性は初期化、代理適応、勾配ダイナミクスの結合によって根本的に制御される。 本稿では,この課題をバイレベルミニマックスの観点から再考し,BMAT (Bilevel-Minimax Adversarial Transfer)を提案する。 双レベル定式化は初期化と摂動の依存性を捉えるが、内部のミニマックス問題はクロスアーキテクチャの一般化のための代理ロバスト性を促進する。 アルゴリズムにより,ソフトウェイト・モジュレータとインプリシット・グラディエント・近似器を組み合わせたボトムアップ・ソルバを開発し,初期化,サロゲート適応,摂動最適化の3次結合を実現する。 さらに、提案したバイレベル・ミニマックスフレームワークの最適化力学に関する理論的知見を提供する。 分類とセグメンテーションのベンチマークに関する大規模な実験により、BMATは30以上の犠牲者モデルで10以上の強力なベースラインを上回り、アーキテクチャ内およびクロスアーキテクチャのトランスファーを改善し、mIoUの最大2倍の低下をもたらすことが示された。 コードはhttps://github.com/callous-youth/BMAT.comで入手できる。

関連論文リスト

• STEAM: A Spatio-TEmporal Alignment Mixture-of-Experts Model with Hierarchical Pre-training for EEG Decoding [12.49365160717963]
  脳波基礎モデルにおけるパラダイム特化と汎用表現学習を融合した階層的伝達フレームワークであるSTEAMを提案する。 STEAMは、FLOPsで測定された競合推論コストで比較した手法の中で、最高の平均ランクを得る。
  論文  参考訳（メタデータ） (2026-08-03T11:15:22Z)
• Towards The Implicit Bias on Multiclass Separable Data Under Norm Constraints [3.421126849736858]
  核ノルム制約を通した低階構造を強制するために設計された幾何認識幾何学であるNucGDを紹介する。 スケーラブルなトレーニングを実現するため、非同期電力繰り返しによる効率的なSVDフリー更新ルールを導出する。 我々は、最小バッチサンプリングと運動量によって誘導される勾配ノイズの変動レベルが、期待される最大マージン解に対する収束をどう変調するかを特徴付ける、勾配最適化のダイナミクスの影響を実験的に分析する。
  論文  参考訳（メタデータ） (2026-03-24T05:51:50Z)
• Differentiable Zero-One Loss via Hypersimplex Projections [14.382224834970557]
  分類性能の標準としてゼロ1損失長を考慮に入れた新しい微分可能近似を導入する。 本稿では,Jacobianを効率的に計算し,バイナリおよびマルチクラス学習システムに統合する方法を示す。
  論文  参考訳（メタデータ） (2026-02-26T18:41:31Z)
• Integrating Multi-Armed Bandit, Active Learning, and Distributed Computing for Scalable Optimization [0.0]
  ALMAB-DCはスケーラブルなブラックボックス最適化のための統一されたフレームワークである。 アクティブラーニング、マルチアームバンディット、分散コンピューティングを統合している。 常に最先端のブラックボックス評価を上回っている。
  論文  参考訳（メタデータ） (2026-01-02T09:06:56Z)
• Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
  Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。 被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:51:42Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
  転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。 既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。 本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:45:27Z)
• Contextual Stochastic Bilevel Optimization [50.36775806399861]
  文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。 メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
  論文  参考訳（メタデータ） (2023-10-27T23:24:37Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)
• Inexact bilevel stochastic gradient methods for constrained and unconstrained lower-level problems [0.0]
  2段階の定式探索最適化は多くの機械学習の文脈で有効になっている。 2階微分を必要としない新しい低ランク二階勾配法が開発されている。
  論文  参考訳（メタデータ） (2021-10-01T18:20:14Z)

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。