論文の概要: Preprocessing Failure and Adversarial Detection in Depthwise-Separable Edge Vision Systems

• arxiv url: http://arxiv.org/abs/2609.03453v1
• Date: Thu, 03 Sep 2026 07:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.964077
• Title: Preprocessing Failure and Adversarial Detection in Depthwise-Separable Edge Vision Systems
• Title（参考訳）: 奥行き分離可能なエッジビジョンシステムにおける前処理障害と逆検出
• Abstract要約: 前処理ベースの防御は、エッジビジョンシステムに対する敵の攻撃に対する標準的なファーストライン対応である。 前処理は、敵の予測がほとんど変わらないまま、クリーンな予測を継続的に妨害する。 反対にレジリエントなエッジビジョンデプロイメントのための実践的な決定フレームワークが提供される。
• 参考スコア（独自算出の注目度）: 1.305798225948737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preprocessing-based defenses are the standard first-line response to adversarial attacks on edge vision systems, requiring no retraining, no architectural changes, and widely recommended as model-agnostic mitigations. Yet the foundational evaluations of these defenses were conducted on residual or Inception-class architectures, not on the depthwise-separable CNNs that dominate edge deployments. This untested assumption leaves a gap in the security evaluation literature. This paper closes that gap by evaluating six preprocessing defenses against adversarial perturbations across both architecture families. Across all perturbation levels and defenses tested, the two depthwise-separable architectures show consistently poor recovery while the residual architecture shows partial recovery; ablation results are consistent with an architectural rather than parametric explanation, though only three architectures and one attack family are evaluated. Crucially, this failure is not merely a negative result. The same output divergence that disqualifies preprocessing as a recovery mechanism reveals a detection opportunity: preprocessing consistently disrupts clean predictions while leaving adversarial predictions largely unchanged, an asymmetry that is directly measurable without retraining or architectural modification. We further show that standard image quality metrics are unreliable proxies for defense effectiveness, a methodological gap in current evaluation practice. A practitioner decision framework is provided for adversarially resilient edge vision deployment.
• Abstract（参考訳）: 前処理ベースの防御は、エッジビジョンシステムに対する敵の攻撃に対する標準的なファーストラインの対応であり、再訓練を必要とせず、アーキテクチャの変更も必要とせず、モデルに依存しない緩和として広く推奨されている。 しかし、これらの防御の基本的な評価は、エッジ配置を支配下に置く深度的に分離可能なCNNではなく、残差やインセプションクラスのアーキテクチャに基づいて行われた。 この証明されていない仮定は、セキュリティ評価の文献にギャップを残します。 本稿では,両アーキテクチャファミリ間の対向的摂動に対する6つの前処理防御を評価することにより,そのギャップを埋める。 実験された全ての摂動レベルと防御レベルにおいて、2つの奥行き分離可能なアーキテクチャは一貫して回復不良を示し、残りのアーキテクチャは部分回復を示し、アブレーションの結果はパラメトリックな説明ではなくアーキテクチャと一致しているが、3つのアーキテクチャと1つの攻撃ファミリーのみが評価されている。 重要なことに、この失敗は単なる否定的な結果ではない。 回復メカニズムとして前処理が不適当であるのと同じ出力のばらつきは、検出機会を示す: 事前処理は、常にクリーンな予測を妨害し、敵の予測は殆ど変化せず、非対称性は、トレーニングやアーキテクチャの変更なしに直接測定できる。 さらに, 標準的な画像品質指標は, 現在の評価実践における方法論的ギャップである, 防御効果に対する信頼性の低いプロキシであることを示す。 反対にレジリエントなエッジビジョンデプロイメントのための実践的な決定フレームワークが提供される。

関連論文リスト

• Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
  我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。 これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。 複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T09:07:40Z)
• Adversarial Attacks Already Tell the Answer: Directional Bias-Guided Test-time Defense for Vision-Language Models [44.54124778801062]
  VLM(Vision-Language Models)のテストタイムディフェンスは、大規模なリトレーニングを必要とせず、敵の攻撃を防御するための有望かつ効率的なアプローチとして登場した。 我々は,ディフェンスディビジョンを推定するテストタイムフレームワークであるディビジョンバイアス誘導ディフェンス(DBD)を提案し,ロバスト表現の復元にDBスコアベースの2ストリーム再構築戦略を採用している。 15個のデータセットで実験したところ、DBDはSOTA逆境の堅牢性を達成できるだけでなく、逆直観的な結果も示している。
  論文  参考訳（メタデータ） (2026-06-04T13:57:07Z)
• Provably Secure Agent Guardrail [89.79561918065122]
  既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。 本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:12:41Z)
• Defenses at Odds: Measuring and Explaining Defense Conflicts in Large Language Models [21.944459747448974]
  本研究は, シーケンシャル展開下でのクロス・ディフェンス・インタラクションに関する最初の体系的研究である。 38.9%は、もともと防御された次元で測定可能なリスクの悪化を示す。 本稿では、シーケンシャルデプロイメント中に高複雑性層を選択的に凍結する軽量な緩和法を提案する。
  論文  参考訳（メタデータ） (2026-05-14T07:58:47Z)
• Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning [10.393154496941527]
  バックドア攻撃は、安全クリティカルな視覚システムに深刻な脅威をもたらす。 適応微調整は、分類において一般的なバックドア緩和手法である。 物体検出バックドアの軽減のための検出対応逆調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T09:33:06Z)
• Agentic Adversarial Rewriting Exposes Architectural Vulnerabilities in Black-Box NLP Pipelines [34.37967130277969]
  本稿では,意味摂動空間で動作する2エージェント回避フレームワークを提案する。 現代大言語モデル(LLM)ベースのシステムでは、普及率は19.95から40.34%である。 パターンインフォームド・ディフェンスは回避率を65.18%まで下げる。
  論文  参考訳（メタデータ） (2026-04-26T00:58:36Z)
• Fragile Reconstruction: Adversarial Vulnerability of Reconstruction-Based Detectors for Diffusion-Generated Images [32.470971087318695]
  本研究は,4つの異なる生成バックボーンモデルにおける3つの代表検出器の対向ロバスト性について,系統的評価を行った。 我々は、ホワイトボックスシナリオにおける敵攻撃を構築し、十分に訓練された全ての検出器の性能を低下させる。 また、ある検出器に対する攻撃を他の検出器に転送することもでき、検出器に対する敵攻撃もブラックボックスの設定で構築できることを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:17:51Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Blending adversarial training and representation-conditional purification via aggregation improves adversarial robustness [6.484231366444063]
  CARSOは、防御のために考案された適応的なエンドツーエンドのホワイトボックス攻撃から自身を守ることができる。 提案手法は,Cifar-10,Cifar-100,TinyImageNet-200の最先端技術により改善されている。
  論文  参考訳（メタデータ） (2023-05-25T09:04:31Z)
• A Unified Evaluation of Textual Backdoor Learning: Frameworks and Benchmarks [72.7373468905418]
  我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。 また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
  論文  参考訳（メタデータ） (2022-06-17T02:29:23Z)
• Improving White-box Robustness of Pre-processing Defenses via Joint Adversarial Training [106.34722726264522]
  対向騒音の干渉を軽減するため,様々な対向防御技術が提案されている。 プレプロセス法は、ロバストネス劣化効果に悩まされることがある。 この負の効果の潜在的な原因は、敵の訓練例が静的であり、前処理モデルとは独立していることである。 本稿では,JATP(Joint Adversarial Training Based Pre-processing)防衛法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T01:45:32Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。