論文の概要: TESTNAV: Pareto-Guided Search for Compositional Robustness Testing

• arxiv url: http://arxiv.org/abs/2608.19882v1
• Date: Thu, 20 Aug 2026 10:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.533349
• Title: TESTNAV: Pareto-Guided Search for Compositional Robustness Testing
• Title（参考訳）: TESTNAV:Pareto-Guided Search for compositional Robustness Testing
• Abstract要約: TESTNAVは、ディープラーニングモデルのための双方向の堅牢性テストフレームワークである。 モダリティ比の指標によって測定された入力忠実度を保ちながら、性能劣化を最大化する。
• 参考スコア（独自算出の注目度）: 42.86570387250456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models remain vulnerable to real-world input perturbations, especially when multiple corruptions co-occur in the same input (e.g., brightness shifts and motion blur). Compositional testing reveals these interaction effects but introduces two challenges: combinatorial growth of the perturbation space as dimensions and severity levels increase, and uneven diagnostic value-many combinations yield unrealistically degraded inputs with limited practical relevance. We present TESTNAV, 1 a Pareto-guided robustness testing framework for efficiently exploring discrete, compositional perturbation spaces when only a limited number of perturbation configurations can be evaluated. TESTNAV prioritises severe yet realistic failures by formulating robustness testing as bi-objective optimisation: maximise performance degradation while preserving input fidelity measured by modality-specific metrics (e.g., SSIM and KID for vision; chrF and BERT-F1 for language and code). It uses NSGA-II to approximate the bi-objective Pareto front. Across four benchmarks spanning vision, natural language, and code generation, TESTNAV recovers Pareto fronts up to 2.15x faster than search-based baselines, using 35.8%-89.3% of the discrete perturbation space defined by four perturbation dimensions with six levels each.
• Abstract（参考訳）: ディープラーニングモデルは、特に複数の汚職が同じ入力(例えば、明るさシフトや動きのぼかし)で共起している場合、現実世界の入力摂動に弱いままである。 組成試験はこれらの相互作用効果を明らかにするが、次元と重大度レベルが増加するにつれて摂動空間が組合せ的に成長し、不均一な診断値と多くの組み合わせが非現実的に劣化し、実用的関連性が制限されるという2つの課題をもたらす。 本稿では, パレート誘導型ロバストネス試験フレームワークであるTESTNAVについて, 限られた数の摂動構成しか評価できない場合に, 離散的な構成摂動空間を効率的に探索する。 TESTNAVは、ロバストネステストを双目的最適化として定式化し、厳密で現実的な失敗を優先する: モダリティ固有のメトリクス(例えば、SSIMとKID、言語とコードのchrFとBERT-F1)で測定された入力フィデリティを保ちながら、パフォーマンスの劣化を最大化する。 NSGA-IIを用いて、両対象パレートフロントを近似する。 視覚、自然言語、コード生成にまたがる4つのベンチマークで、TESTNAVは、それぞれ6つのレベルを持つ4つの摂動次元で定義される離散摂動空間の35.8%-89.3%を使用して、検索ベースベースラインの最大2.15倍の速度でパレートを回復する。

関連論文リスト

• TestifAI: Tomography-Based Testing for Deep Learning Systems [42.86570387250456]
  TestifAIは、摂動の組み合わせに対する堅牢性を効率的かつ正確に推定するためのフレームワークである。 少数の摂動のみを適用したテストから多摂動空間におけるモデル挙動を再構成する。 低次 (1 と 2 の摂動) 観測から高次 (3 と 4 の摂動) テスト結果を予測することができ、集合的強靭性推定誤差は 7% 未満である。
  論文  参考訳（メタデータ） (2026-08-19T13:25:50Z)
• Tensor-Based Batch Fuzzing with Adaptive Perturbation Scaling for Deep Neural Networks [7.190532917825181]
  適応的な摂動スケーリングを備えた仕様対応バッチファジリングフレームワークを提案する。 我々のフレームワークは、同じ時間予算の下で、シーケンシャルベースラインよりも最大40倍高いスループットと4倍の違反を達成する。 当社のフレームワークは,TrafficSigns,Cifar100,TinyImageNetにまたがる6つのネットワークと400以上の仕様を網羅する3つのベンチマークで広く評価している。
  論文  参考訳（メタデータ） (2026-06-23T23:56:21Z)
• ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
  ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。 多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。 2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
  論文  参考訳（メタデータ） (2026-06-08T22:46:30Z)
• KPGrasp: Scalable Keypoint Flow Matching for Dexterous Grasp Generation [23.028638559051597]
  KPGraspは,大規模データから事前の詳細な把握を学習するフローマッチングフレームワークである。 20の多様なオブジェクトに対する実験は、パイプラインを現実世界のセットアップでデプロイできることを示しています。
  論文  参考訳（メタデータ） (2026-06-08T10:19:29Z)
• 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)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• C3-OWD: A Curriculum Cross-modal Contrastive Learning Framework for Open-World Detection [34.63917792892542]
  オブジェクト検出は大幅に進歩しているが、現実の展開は、未確認のカテゴリへの一般化の貧弱さと、悪条件下でのロバスト性という2つの課題によって制限されている。 両強みを統一するクロスモーダル・コントラスト学習のカリキュラムである textbfC3-OWD を提案する。 FLIR,OV-COCO,OV-LVISによる実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-09-27T14:04:15Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)

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。