Fugu-MT 論文翻訳(概要): AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders

論文の概要: AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders

arxiv url: http://arxiv.org/abs/2609.30037v1
Date: Thu, 24 Sep 2026 16:07:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:10.079037
Title: AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders
Title（参考訳）: AERIAL:精度保存型低精度脳波デコーダにおけるロバスト性の評価
Abstract要約: 展開指向圧縮は、資源制約された脳-コンピュータにとって魅力的である。脳波デコーダの直接堅牢性, 対向移動, 展開効率は, 圧縮された脳波デコーダの異なる特性であることを示す。
参考スコア（独自算出の注目度）: 2.717526933594264
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deployment-oriented compression is attractive for resource-constrained brain--computer interfaces (BCIs), but whether it changes adversarial vulnerability remains unclear. On BCI Competition IV-2a, we compare 32-bit floating-point (FP32) EEGNet and ShallowConvNet models with global magnitude pruning and simulated INT8 post training quantization (PTQ) and quantization-aware training (QAT) across nine subjects and three seeds. Simulation provides differentiable quantize--dequantize models for white-box attacks and gradient analysis, while native TensorRT deployment is used for validation. Accuracy-preserving compression does not improve direct robustness: at $ε=0.005$, EEGNet PGD accuracy remains 22--24\% across FP32, 50\% pruning (P50), PTQ, and QAT. However, P50 reduces bidirectional transfer efficiency to 0.963/0.928 (FP32$\rightarrow$P50/P50$\rightarrow$FP32), versus 0.994/0.997 for PTQ; the same trend holds for ShallowConvNet. Gradient alignment shows a corresponding separation, while native PTQ agrees with simulated clean/adversarial predictions in 95--98\% of cases. These results show that direct robustness, adversarial transfer, and deployment efficiency are distinct properties of compressed EEG decoders.
Abstract（参考訳）: リソース制約のある脳-コンピュータインターフェース(BCI)では、デプロイ指向の圧縮が魅力的だが、それが敵の脆弱性を変更するかどうかは不明だ。 BCIコンペティションIV-2aでは、32ビット浮動小数点(FP32)のEEGNetとShallowConvNetのモデルと、大域的プルーニングとシミュレーションのINT8ポストトレーニング量子化(PTQ)および量子化認識トレーニング(QAT)を9つの被験者と3つの種で比較した。シミュレーションは、ホワイトボックスアタックとグラデーション分析のための異なる定量化モデルを提供し、ネイティブのTensorRTデプロイメントはバリデーションに使用される。しかし、P50は双方向転送効率を0.963/0.928(FP32$\rightarrow$P50/P50$\rightarrow$FP32)に減らし、PTQは0.994/0.997となる。これらの結果から, 直接ロバスト性, 対向移動, 展開効率は, 圧縮されたEEGデコーダの異なる特性であることが示唆された。

関連論文リスト

LCAP: Population-Informed Latent Chip Adaptation from Few Output Probes for Photonic Neural Networks [6.982312589287921]
フォトニックニューラルネットワーク(PNN)は効率的なアナログ推論を提供するが、理想的なデバイスモデルの下でのパラメータは製造後に劣化する可能性がある。本稿では,LCAP(Latent Chip Adaptation from Probes)を提案する。
論文参考訳（メタデータ） (2026-09-15T08:25:14Z)
On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文参考訳（メタデータ） (2026-08-31T06:35:07Z)
Bit-Accurate FPGA Evaluation of Learned Feature Gating in a Fixed-Point Fourier-Feature Automatic Modulation Classifier [0.0]
この研究は、24のスパースDFTエネルギー特性、8の位相/統計特性、32から128から11の多層パーセプトロンを用いて、コンパクトな固定点分類におけるトレードオフを測定する。ゲーテッドモデルとアンゲートモデルは、トレーニング後の量子化(PTQ)と量子化対応トレーニング(QAT)でトレーニングされる。
論文参考訳（メタデータ） (2026-07-27T15:36:06Z)
qZACH-ViT: Quantization-Aware Intrinsic Explanations with Recursive Attribution-Stabilized Optimization [0.0]
ゼロトケンフリーなZACH-ViTバックボーンの量子化対応拡張であるqZACH-ViTを導入する。帰納的属性安定化最適化(RASO)も導入する。我々は,クラス毎に50のトレーニング画像と10の固定種子を用いて,7つのMedMNISTデータセットに対して4つの制御条件を評価する。
論文参考訳（メタデータ） (2026-07-16T19:51:48Z)
GPU-Accelerated Optimization of Transformer-Based Neural Networks for Real-Time Inference [0.0]
本稿では,混合精度最適化を用いたNVIDIARTを用いた変圧器モデルのためのGPU加速型推論パイプラインの設計と評価を行う。このシステムはCPUベースラインの64.4倍のスピードアップ、シングルサンプル推論の10ms以下のレイテンシ、メモリ使用量の63%削減を実現している。
論文参考訳（メタデータ） (2026-03-30T17:27:33Z)
Activation Outliers in Transformer Quantization: Reproduction, Statistical Analysis, and Deployment Tradeoffs [0.0]
変圧器のポストトレーニング量子化(PTQ)は、構造化されたアクティベーションアウトリアによる精度の低下に悩まされていることが知られている。本稿では,QNLIで微調整されたBERTベースにおける再現可能な経験的再現と,その現象のシステムレベルの拡張について述べる。
論文参考訳（メタデータ） (2026-03-04T17:26:29Z)
MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文参考訳（メタデータ） (2024-02-03T21:12:36Z)
Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
論文参考訳（メタデータ） (2023-09-29T13:09:40Z)
APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文参考訳（メタデータ） (2020-06-15T16:09:17Z)
Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。認証精度は5.78%,44.96%,43.19%であった。
論文参考訳（メタデータ） (2020-06-01T05:55:18Z)

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。