Fugu-MT 論文翻訳(概要): Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning

論文の概要: Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning

arxiv url: http://arxiv.org/abs/2609.08683v1
Date: Tue, 08 Sep 2026 12:51:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.650277
Title: Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning
Title（参考訳）: 対人訓練も浄化も--振動予測学習による創発的対人ロバスト性
Abstract要約: コンピュータビジョンにおける敵の堅牢性は、主に敵の訓練やテストタイムの敵の浄化によって達成される。本稿では,AKORN(Artificial Kuramotoy Neurons)と予測自己教師型事前学習を組み合わせた2段階のフレームワークであるOPLを紹介する。
参考スコア（独自算出の注目度）: 13.55399807083622
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adversarial robustness in computer vision is still largely achieved through adversarial training or test-time adversarial purification, both of which introduce significant computational overhead by generating adversarial examples during training or performing iterative denoising at test time. We study whether empirical robustness can instead emerge from architectural and representation-learning inductive biases. We introduce Oscillatory Predictive Learning (OPL), a two-stage framework that combines Artificial Kuramoto Oscillatory Neurons (AKOrN) with predictive self-supervised pretraining using X-PhiNet. Because our default checkpoint uses randomized initial oscillator states, we compare it with other randomized adversarial defense methods that provide precise, reproducible, and strong attack protocols. Experiments on CIFAR-10 and CIFAR-100, with additional corruption evaluation on CIFAR-10-C, demonstrate that our method achieves competitive results under the AutoAttack-rand evaluation protocol. On CIFAR-10 and CIFAR-100, OPL attains 76.63$\pm$0.76$\%$ and 50.44$\%$ robust accuracy, respectively, under $\ell_\infty$, $ε=8/255$, AutoAttack-rand with EoT $K=20$.
Abstract（参考訳）: コンピュータビジョンにおける敵対的ロバスト性は、相変わらず敵の訓練やテスト時の敵の浄化によって達成され、どちらも、訓練中に敵の例を生成したり、テスト時に反復的妄想を行うことによって、大きな計算オーバーヘッドをもたらす。経験的ロバスト性は、代わりに、アーキテクチャや表現学習の帰納バイアスから生み出すことができるかどうかを考察する。本稿では,AKOrN(Artificial Kuramoto Oscillatory Neurons)とX-PhiNetを用いた予測自己教師型プレトレーニングを組み合わせた2段階のフレームワークであるOscillatory Predictive Learning(OPL)を紹介する。我々のデフォルトチェックポイントはランダム化初期発振器状態を使用するので、より正確で再現性があり、強力な攻撃プロトコルを提供する他のランダム化敵防御手法と比較する。 CIFAR-10とCIFAR-100の実験は、CIFAR-10-Cの汚損評価を付加して、AutoAttack-rand評価プロトコルを用いて、本手法が競合する結果を得ることを示した。 CIFAR-10 と CIFAR-100 では、OPL は 76.63$\pm$0.76$\%$ と 50.44$\%$ をそれぞれ$\ell_\infty$, $ε=8/255$, AutoAttack-rand with EoT $K=20$ で取得している。

関連論文リスト

Improving Fast Adversarial Training Paradigm: An Example Taxonomy Perspective [61.38753850236804]
高速対人訓練 (FAT) は, 効率的な訓練を行うために提案され, 熱い研究課題となっている。 FATは破滅的なオーバーフィッティングに悩まされ、多段階の逆行訓練と比較してパフォーマンスが低下する。本稿では, FATにおける内的最適化と外的最適化のバランスが不均衡であることから, 破滅的なオーバーフィッティングが原因であることが確認された FAT の分類例を示す。
論文参考訳（メタデータ） (2024-07-22T03:56:27Z)
Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
論文参考訳（メタデータ） (2024-05-02T16:49:25Z)
Pre-trained Model Guided Fine-Tuning for Zero-Shot Adversarial Robustness [52.9493817508055]
我々は,モデルがゼロショットの逆方向のロバスト性を高めるために,事前訓練されたモデル誘導逆方向の微調整(PMG-AFT)を提案する。私たちのアプローチは、平均8.72%のクリーンな精度を継続的に改善します。
論文参考訳（メタデータ） (2024-01-09T04:33:03Z)
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)
Raising the Bar for Certified Adversarial Robustness with Diffusion Models [9.684141378657522]
本研究では,同様のアプローチが決定論的証明された防御を著しく改善できることを実証する。主な洞察の1つは、元のモデルのトレーニングとテストの精度の違いは、改善の規模を予測できることです。提案手法は,CIFAR-10 上で $ell$ ($epsilon = 36/255$) および $ell_infty$ ($epsilon = 8/255$) 脅威モデルに対して,最先端の決定論的堅牢性証明を実現する。
論文参考訳（メタデータ） (2023-05-17T17:29:10Z)
Two Heads are Better than One: Robust Learning Meets Multi-branch Models [23.081094084911182]
信頼性が高く効果的な防御方法である敵の訓練は、ニューラルネットワークの脆弱性を著しく減少させる可能性がある。対人訓練のための最初のデータセットのみを用いて、最先端のパフォーマンスを得るために、textitBranch Orthogonality adveRsarial Training (BORT)を提案する。 CIFAR-10 と CIFAR-100 と SVHN に対するアプローチを,それぞれ $ell_infty$ と $epsilon = 8/255$ のノルム有界摂動に対して評価した。
論文参考訳（メタデータ） (2022-08-17T05:42:59Z)
RUSH: Robust Contrastive Learning via Randomized Smoothing [31.717748554905015]
本稿では、対照的な事前学習がロバストネスと興味深いが暗黙の結びつきを持っているという驚くべき事実を示す。我々は、標準的なコントラスト付き事前学習とランダムな平滑化を組み合わせた強力な対逆攻撃に対する堅牢なアルゴリズムRUSHを設計する。我々の研究は、最先端技術と比較して、堅牢な精度が15%以上向上し、標準精度がわずかに改善されている。
論文参考訳（メタデータ） (2022-07-11T18:45:14Z)
Fooling Adversarial Training with Inducing Noise [18.07654610758511]
敵陣訓練は、敵陣攻撃に対するモデル堅牢性を改善するための信頼性の高いアプローチであると広く信じられている。本稿では, ある種類の有毒データを用いて訓練した場合, 敵の訓練も破滅的な行動に陥ることが示唆された。そこで本研究では,ADVIN(ADVIN)という新たなノイズ誘導法を提案する。
論文参考訳（メタデータ） (2021-11-19T09:59:28Z)
Adversarial Training with Rectified Rejection [114.83821848791206]
本稿では,信頼度(T-Con)を確実性オラクルとして利用し,信頼度を補正してT-Conを予測することを提案する。軽度の条件下では、正当性(R-Con)拒絶器と信頼性(R-Con)拒絶器を結合して、不正に分類された入力と正しく分類された入力を区別できることを示す。
論文参考訳（メタデータ） (2021-05-31T08:24:53Z)
On the robustness of randomized classifiers to adversarial examples [11.359085303200981]
確率指標を用いて局所リプシッツ性を強制するランダム化分類器の堅牢性の新しい概念を紹介する。本研究の結果は,温和な仮説下での幅広い機械学習モデルに適用可能であることを示す。トレーニングしたすべての堅牢なモデルは、最新の精度を同時に達成できます。
論文参考訳（メタデータ） (2021-02-22T10:16:58Z)
A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via Adversarial Fine-tuning [90.44219200633286]
我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
論文参考訳（メタデータ） (2020-12-25T20:50:15Z)
Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文参考訳（メタデータ） (2020-10-26T04:44:43Z)
Adversarial Robustness: From Self-Supervised Pre-Training to Fine-Tuning [134.15174177472807]
対戦型トレーニングを自己超越に導入し,汎用的な頑健な事前訓練モデルを初めて提供する。提案するフレームワークが大きなパフォーマンスマージンを達成できることを示すため,広範な実験を行う。
論文参考訳（メタデータ） (2020-03-28T18:28:33Z)

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。