論文の概要: ARMOR: Manifold-Oriented Training for Adversarially Robust Aerial Object Detection under Data Scarcity

• arxiv url: http://arxiv.org/abs/2608.29510v2
• Date: Sat, 05 Sep 2026 22:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.307323
• Title: ARMOR: Manifold-Oriented Training for Adversarially Robust Aerial Object Detection under Data Scarcity
• Title（参考訳）: ARMOR:データスカシティ下での逆ロバストな空中物体検出のためのマニフォールド指向トレーニング
• Authors: Haoran Wang, Matthew Lau, Alec Helbling, Matthew Hull, ShengYun Peng, Mansi Phute, Martin Andreoni, Willian T. Lunardi, Duen Horng Chau, Wenke Lee,
• Abstract要約: モデル脆弱性に対処し,データ不足をトレーニングするために,マニフォールド指向トレーニング(ARMOR)を用いた適応ロバストネスを提案する。 ARMORは、低データ体制におけるmanifold adversarial training(OMAT)の中核的な洞察を実現している。 ARMORは0.90以上のモデルの信頼性の強いクリーンな性能を維持しながら、最先端の防御に対するモデルの信頼性を最大0.32向上させる。
• 参考スコア（独自算出の注目度）: 29.552503716131568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial object detection is increasingly deployed in real-world applications, but models remain vulnerable to physical, universal adversarial patches that cause them to miss objects. Furthermore, defenders face the practical constraint of training data scarcity: aerial imagery is costly to collect and label, so a deployment site typically yields hundreds of images rather than the tens of thousands that adversarial robustness benchmarks assume. To tackle model vulnerability and training data scarcity, we propose Adversarial Robustness with Manifold-Oriented Training (ARMOR), a novel defense that realizes the core insights of on-manifold adversarial training (OMAT) in low-data regimes. ARMOR builds on the insight of OMAT to model the data manifold - the compact structure capturing the data's relevant features - to learn and robustify these features during training. While OMAT relies on the data-intensive operations of training large generative models and adversarial training to achieve this, ARMOR adopts a data-efficient approach that reuses labels the detection task already supplies: ARMOR (i) masks image backgrounds to retain object-relevant features, and (ii) injects randomized patches on objects to improve feature robustness. Our low-data experiments with physically-realizable adversarial patches evaluate both query-free transfer attacks and defense-aware attacks. ARMOR maintains strong clean performance of over 0.90 model confidence, while improving adversarial robustness by up to 0.32 in model confidence over state-of-the-art defenses. Physical experiments with printed patches confirm that these gains survive deployment. Overall, ARMOR translates insights from manifold-based training to defend object detectors amidst training data scarcity.
• Abstract（参考訳）: 空中物体検出は現実世界のアプリケーションにますます導入されているが、モデルは物理的で普遍的な敵パッチに弱いままであり、オブジェクトを見逃してしまう。 空中画像は収集とラベル付けに費用がかかるため、デプロイメントサイトは通常、敵の堅牢性ベンチマークが想定する数万の画像ではなく、何百もの画像を生成する。 モデル脆弱性に対処し,データ不足のトレーニングを行うために,低データ体制下でのmanifold-Oriented Training (ARMOR) を用いた対人ロバストネス(Adversarial Robustness with Manifold-Oriented Training)を提案する。 ARMORはOMATの洞察に基づいてデータ多様体(データの関連する特徴をキャプチャするコンパクトな構造)をモデル化し、トレーニング中にこれらの特徴を学習し、強化する。 OMATは、大規模な生成モデルのトレーニングとこれを実現するための敵のトレーニングにデータ集約的な操作を頼っているが、ARMORは、すでに供給されている検出タスクのラベルを再利用するデータ効率のアプローチを採用している。 (i)被写体の特徴を保持するために画像背景をマスクし、 (ii) 特徴の堅牢性を改善するためにオブジェクトにランダム化されたパッチを注入する。 物理的に実現可能な逆数パッチを用いた低データ実験では,クエリフリー転送攻撃とディフェンスアウェア攻撃の両方を評価した。 ARMORは0.90以上のモデルの信頼性の強いクリーンな性能を維持しながら、最先端の防御に対するモデルの信頼性を最大0.32向上させる。 印刷されたパッチによる物理的実験は、これらの成果がデプロイを生き残ることを証明している。 全体として、ARMORは、訓練データ不足の中で、多様体ベースのトレーニングからオブジェクト検出器を守るための洞察を翻訳する。

関連論文リスト

• Deepfake detectors are DUMB: A benchmark to assess adversarial training robustness under transferability constraints [0.0]
  DUMB -- データセットのsoUrces、モデルアーキテクチャと Balance - と DUMBer メソッドを拡張して、ディープフェイク検出を行います。 我々は、転送可能性制約およびデータセット構成の下での敵攻撃に対するロバストネス検出器の評価を行った。 実験により, 対人訓練戦略は, 流通事例の堅牢性を高めるが, 採用戦略によっては, クロスデータセット構成下での分解も可能であることが示された。
  論文  参考訳（メタデータ） (2026-01-09T18:06:19Z)
• Mitigating Data Exfiltration Attacks through Layer-Wise Learning Rate Decay Fine-Tuning [4.613829141527782]
  データレイクは、機密性の高い高価値の医療データセットで強力な機械学習モデルのトレーニングを可能にする。 近年の研究では、潜在表現をモデルパラメータに埋め込むことで、学習データを抽出できることが示されている。 本稿では,モデルパラメータを減衰層ワイド学習率で微調整することで,輸出時のモデルパラメータを摂動する簡易かつ効果的な緩和戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-20T09:05:01Z)
• Adversarial Machine Learning: Attacking and Safeguarding Image Datasets [0.0]
  本稿では、敵攻撃に対する畳み込みニューラルネットワーク(CNN)の脆弱性について検討し、その保護方法を検討する。 CNNは、最も一般的な画像データセットの4つに実装され、高いベースライン精度を実現した。 対戦訓練後のモデルに対するロバスト性はほとんどのレベルが達成されているが、敵の摂動に対するモデルの性能にはまだ若干の損失があるようだ。
  論文  参考訳（メタデータ） (2025-01-31T22:32:38Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)

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。