論文の概要: Towards One-for-All Robustness Across a Continuum of Threat Levels

• arxiv url: http://arxiv.org/abs/2609.02440v1
• Date: Wed, 02 Sep 2026 11:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.239312
• Title: Towards One-for-All Robustness Across a Continuum of Threat Levels
• Title（参考訳）: 脅威レベル連続体における一対一のロバスト性に向けて
• Authors: Zhichao Hou, Xiaorui Liu,
• Abstract要約: 本研究では,単一モデル内での脅威レベル連続性を実現するために,Threat Network(TCN)を提案する。 我々は,TNが一組のパラメータを持つ予算特化モデルの完全アンサンブルと一致または超越し,摂動予算を一般化し,不一致の脅威条件下での転送を堅牢に行うことを示す。 これらの貢献は、動的で多様な脅威環境における適応性と一般化可能な堅牢性への有望な道を示す。
• 参考スコア（独自算出の注目度）: 23.49167290251761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarially robust models often overfit to a specific attack budget, necessitating multiple specialized models for diverse and dynamic adversarial environments, a strategy that becomes fundamentally intractable as the threat space grows. This raises an open challenge: can we achieve strong robustness across a continuum of threat levels within a single model? We propose the Threat Conditional Network (TCN), grounded in a representation factorization framework that decomposes representation learning into a threat-invariant shared backbone and a lightweight threat-conditional adaptor. TCN conditions a single model on the perturbation level via Fourier-based embeddings and channel-wise affine modulation, and is trained against a distribution over perturbation budgets, enabling flexible and seamless adaptation across an infinite continuum of threat levels during inference. Extensive experiments on CIFAR-10, CIFAR-100, and Tiny-ImageNet show that TCN matches or surpasses a full ensemble of budget-specialized models with a single set of parameters, generalizes to unseen perturbation budgets, and transfers robustly under mismatched threat conditions, with only 4.6\% parameter overhead. These contributions chart a promising path toward adaptive and generalizable robustness in dynamic and diverse threat environments.
• Abstract（参考訳）: 敵対的堅牢なモデルは、しばしば特定の攻撃予算に過度に適合し、多様な動的敵環境のために複数の特殊なモデルを必要とします。 これはオープンな課題を提起する。単一のモデル内で脅威レベルの連続体にわたって、強い堅牢性を達成することができるか? 本稿では,脅威不変な共有バックボーンと軽量な脅威条件適応器に表現学習を分解する表現因子化フレームワークを基盤として,Threat Conditional Network(TCN)を提案する。 TCNは、フーリエベースの埋め込みとチャネルワイドアフィン変調を通じて摂動レベルの単一モデルを条件とし、摂動予算の分布に対して訓練され、推論中に無限の脅威レベルの無限連続体を柔軟かつシームレスに適応することができる。 CIFAR-10、CIFAR-100、Tiny-ImageNetの大規模な実験では、TCNは1組のパラメータで予算仕様のモデルの完全なアンサンブルと一致または超過し、目に見えない摂動予算に一般化し、パラメータのオーバーヘッドは4.6倍しかなく、不一致の脅威条件下で頑健に転送することを示した。 これらの貢献は、動的で多様な脅威環境における適応性と一般化可能な堅牢性への有望な道を示す。

関連論文リスト

• TaFD: Threat-Aware Frequency Decoupling for Adversarial Robustness against Heterogeneous Attacks [6.525195905471157]
  マルチスレッドの堅牢性は、ディープラーニングにおける根本的な課題である。 関節対位訓練(JAT)は広く採用されているが、異種性脅威下での負の移動に悩まされている。 本稿では,JATを周波数領域分割・分散パラダイムとして再編成する2段階防衛フレームワークであるTreat-aware Frequency Decoupling (TaFD)を提案する。
  論文  参考訳（メタデータ） (2026-06-16T05:38:26Z)
• Reasoning as an Attack Surface: Adaptive Evolutionary CoT Jailbreaks for LLMs [56.53007443197966]
  大規模推論モデル(LRM)は推論および生成タスクにおいて顕著な機能を示した。 彼らの明確なチェーン・オブ・シント(CoT)メカニズムは、新しいセキュリティリスクをもたらし、特にジェイルブレイク攻撃に対して脆弱である。 AE-CoTと呼ばれる適応的な進化的CoTジェイルブレイクフレームワークを提案し、これらの制限を克服する。
  論文  参考訳（メタデータ） (2026-05-23T10:11:32Z)
• 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)
• Calibrated Adversarial Sampling: Multi-Armed Bandit-Guided Generalization Against Unforeseen Attacks [10.840475405540458]
  ディープニューラルネットワーク(DNN)の堅牢性を高めるための最も効果的なパラダイムの1つとして、AT(Adversarial Training)が登場した。 本稿では,これらの問題に対処するため,Calibrated Adversarial Smpling (CAS) と呼ばれる効率的な微調整手法を提案する。 ベンチマークデータセットの実験では、CASは高いクリーンな精度を維持しながら、より優れた全体的な堅牢性を達成している。
  論文  参考訳（メタデータ） (2025-11-15T15:42:40Z)
• Bridging Symmetry and Robustness: On the Role of Equivariance in Enhancing Adversarial Robustness [9.013874391203453]
  敵対的な例では、知覚不能な入力摂動に対する感度を利用して、ディープニューラルネットワークの重大な脆弱性を明らかにしている。 本研究では,群-同変畳み込みを組込み,対向ロバスト性に対するアーキテクチャ的アプローチについて検討する。 これらの層は、モデル行動と入力空間の構造化変換を整合させる対称性の先行を符号化し、よりスムーズな決定境界を促進する。
  論文  参考訳（メタデータ） (2025-10-17T19:26:58Z)
• Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
  CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。 トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。 モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
  論文  参考訳（メタデータ） (2025-10-12T04:18:45Z)
• AdvChain: Adversarial Chain-of-Thought Tuning for Robust Safety Alignment of Large Reasoning Models [62.70575022567081]
  本稿では,逆CoTチューニングによる動的自己補正をモデルに教えるアライメントパラダイムであるAdvChainを提案する。 私たちの仕事は、より堅牢で信頼性の高い推論モデルを構築するための新しい方向性を確立します。
  論文  参考訳（メタデータ） (2025-09-29T04:27:23Z)
• Interpolated Joint Space Adversarial Training for Robust and Generalizable Defenses [82.3052187788609]
  敵の訓練(AT)は、敵の攻撃に対する最も信頼できる防御の1つと考えられている。 近年の研究では、新たな脅威モデルの下での対向サンプルによる一般化の改善が示されている。 我々は、JSTM(Joint Space Threat Model)と呼ばれる新しい脅威モデルを提案する。 JSTMでは,新たな敵攻撃・防衛手法が開発されている。
  論文  参考訳（メタデータ） (2021-12-12T21:08:14Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)

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。