論文の概要: Margin-Drop Coordinates for Cross-Budget Robustness Evaluation
- arxiv url: http://arxiv.org/abs/2609.26081v1
- Date: Thu, 20 Aug 2026 14:22:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.868893
- Title: Margin-Drop Coordinates for Cross-Budget Robustness Evaluation
- Title（参考訳）: クロス予算ロバスト性評価のためのMargin-Drop Coordinates
- Abstract要約: 固定予算ロバスト性評価は、間違った凍結ビジョンエンコーダを選択することができる。
浅い評価には、この予算の脆弱さを特定するのに十分な情報が含まれているかどうかを問う。
その結果,17個の高速エンコーダのうち11個が浅漂流により回復し,生存率5。
- 参考スコア（独自算出の注目度）: 5.455772242709494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fixed-budget robustness evaluation can select the wrong frozen vision encoder. An encoder that survives a shallow attack may lose most of that robustness when the same evaluation is strengthened. We ask whether the shallow evaluation contains enough information to identify this budget fragility. For each clean-correct sample, the evaluation records the clean pairwise margin, the first-order linearized margin-drop scale, the margin drop from a clean-start one-step attack, and the drop reached by an iterative attack. Normalizing by that scale gives three margin-drop coordinates capturing clean margin slack, one-step shortfall, and drift, where drift is the additional normalized margin drop the iterative attack reaches beyond the one-step perturbation. Together, they reconstruct the normalized post-attack margin and therefore the pass-or-fail outcome. Across 42 pretrained frozen vision encoders, the shallow survival rate carries essentially no rank information about subsequent PGD-10 to PGD-200 collapse, at Spearman -0.006, while the median shallow drift coordinate ranks the same collapse at +0.811. The result persists in a held-out encoder pool and under an $\ell_\infty$ evaluation. With deep evaluation limited to 11 encoders, ranking by shallow drift recovers 11 of the 17 high-collapse encoders, compared with 5 under survival-rate ranking. The full coordinate decomposition further distinguishes cases that share the same fixed-budget residual but diverge at deeper budgets, and separates margin repair from drift repair under interventions, revealing distinct repair paths that endpoint robustness alone does not identify.
- Abstract（参考訳）: 固定予算ロバスト性評価は、間違った凍結ビジョンエンコーダを選択することができる。
浅い攻撃に耐えるエンコーダは、同じ評価が強化された場合、そのロバスト性の大半を失う可能性がある。
浅い評価には、この予算の脆弱さを特定するのに十分な情報が含まれているかどうかを問う。
各クリーン正しいサンプルに対して、評価はクリーンなペアワイドマージン、一階線形化マージンドロップスケール、クリーンスタートワンステップアタックからのマージンダウン、反復アタックで到達したドロップを記録する。
このスケールで正規化することで、3つのマージン・ドロップ・座標がクリーン・マージン・スラック、ワンステップ・ショートフォール、ドリフトを捕捉する。
彼らは共に正規化されたポストアタック・マージンを再構築し、したがってパス・オー・フェイルの結果を再構築した。
42の事前訓練された凍結された視覚エンコーダで、浅い生存速度はスピアマン-0.006でPGD-10からPGD-200の崩壊に関する階級情報を持たないが、中央の浅いドリフト座標は+0.811で同じ崩壊を示す。
その結果はホールドアウトエンコーダプールと$\ell_\infty$評価の下で持続する。
深部評価は11エンコーダに限られており、浅部ドリフトによるランクは17個のハイクラッシュエンコーダのうち11個をリカバリーする。
完全な座標分解は、同じ固定予算残量を共有するが、より深い予算で分岐するケースをさらに区別し、介入中のドリフト修復からマージン修復を分離し、ロバスト性のみを識別しない個別の修復経路を明らかにする。
関連論文リスト
- Should This Case Be Adapted? Prediction Fragmentation Controls Test-Time Adaptation [10.143713953177533]
エピソードテスト時間適応は、凍結セグメンタを各ケースのソースウェイトにリセットし、固定ステップ数に適応する。
固定地平線はコホートレベルの問題、どの程度の距離で適応するか、そして不可解なケースごとの質問を膨らませる。
我々は、この害を、コントローラが配置する編集領域の有害な部分である有害許容領域(HA)として定量化する。
論文 参考訳（メタデータ） (2026-09-17T17:02:53Z) - SANE: State Anomaly Neutralization for Stable Extreme-Context Delta-Rule Models [53.86918766240095]
Delta-Ruleリカレントモデルは固定サイズの状態を維持しており、$O(1)$の推論メモリが可能であるが、極端なコンテキスト外挿では不安定になる可能性がある。
我々は,チャンク内並列構造を保ちながら,チャンク境界における適応$tanh$圧縮を適用したtextbfState Anomaly Neutralization (SANE)を提案する。
論文 参考訳（メタデータ） (2026-08-23T10:41:07Z) - Self-Supervised Topologically Invariant Manifold Learning for Railway Image Quality Assessment [20.081901964453074]
既存のブラインド画像品質評価法(BIQA)は、実世界の領域における一般化を制限する合成主観的アノテーションに依存している。
境界制約下での位相不変多様体学習に基づく完全自己教師付きBIQAフレームワークを提案する。
我々のフレームワークは標準の合成およびワイルドベンチマークで優れたゼロショット転送性を確保できることを示す。
論文 参考訳（メタデータ） (2026-08-15T13:08:06Z) - Simplex Relaxation for Discrete Diffusion [58.33696160279345]
Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。
Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
論文 参考訳（メタデータ） (2026-08-11T07:58:17Z) - Toward Integrating Adaptive Experience Replay and Online Uncertainty Estimation in Safe Actor-Critic Optimal Control [0.0]
本研究では,制御バリア関数が使用する障害物形状を不確実性推定により更新する統合アーキテクチャを開発する。
本研究では,2次元ロボットナビゲーションタスクのアーキテクチャを,破壊された障害物計測を用いてインスタンス化する。
論文 参考訳（メタデータ） (2026-08-05T11:55:33Z) - Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。
本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。
8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
論文 参考訳（メタデータ） (2026-06-02T06:51:15Z) - Exactness Matters for Physical Rule Enforcement [4.230349220081444]
より強い物理ルールの執行がいつ信頼できるか、いつそれが流通シフトの源となるかは、まだ不明である。
この問題は作用素の正確性(すなわち、補修写像が対象多様体上の恒等写像であるかどうか)を通して研究する。
制御ミスマッチ、スクリーニングされたクリーンアップ、アダプティブゲーティング、および外部バックボーンチェックは、最適な近似登録操作ポイントが生またはほぼ同一であることを示す。
論文 参考訳（メタデータ） (2026-05-08T07:59:59Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Hinge-Wasserstein: Estimating Multimodal Aleatoric Uncertainty in Regression Tasks [9.600416563894658]
画像からパラメータ値への回帰について検討し、ここでは確率分布を予測して不確実性を検出することが一般的である。
従来の損失関数は、完全な真実分布が存在しない場合、確率分布の予測が低く、自信が強くなる。
トレーニング中の弱い二次モードのペナルティを低減するために, ハンジ・ワッサースタイン(Hungge-Wasserstein)を提案する。
論文 参考訳（メタデータ） (2023-06-01T11:20:09Z) - Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。
本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。
我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
論文 参考訳（メタデータ） (2023-05-01T02:37:59Z)
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。