論文の概要: Curvature Under Attack in hZACH-ViT: Gauge Symmetry, Boundary Saturation, and Adversarial Failure

• arxiv url: http://arxiv.org/abs/2610.00680v1
• Date: Wed, 30 Sep 2026 20:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.75647
• Title: Curvature Under Attack in hZACH-ViT: Gauge Symmetry, Boundary Saturation, and Adversarial Failure
• Title（参考訳）: hZACH-ViTにおける曲率--ゲージ対称性, 境界飽和, 対向破壊
• Abstract要約: hZACH-ViTは、ユークリッド、ポインケア、球形プロトタイプヘッドを備えたコンパクトなビジョントランスである。 我々はこの相互作用を,ユークリッド,ポインケア,球状プロトタイプヘッドを備えたコンパクトビジョン変換器hZACH-ViTで研究する。
• 参考スコア（独自算出の注目度）: 0.23166812624868952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curvature is often treated as an intrinsic property of a representation, although its empirical effect also depends on coordinate scale, learned logit temperature, and numerical safeguards. We study this interaction in hZACH-ViT, a compact Vision Transformer with Euclidean, Poincare, and spherical prototype heads. The backbone architecture, seed-specific initialization, 50-per-class training subset, and optimization protocol are matched across three MedMNIST datasets and five seeds. At the fixed comparison curvature $c=1$, Poincare has the lowest class-macro PGD attack-success rate in all 12 dataset-budget cells and under a stronger CE+DLR multi-restart attack on all three datasets, but it also has the lowest clean MacroF1. An end-to-end curvature intervention changes the interpretation. Reducing Poincare curvature to $c=0.1$ improves clean MacroF1 in every one of the 15 paired seed-dataset comparisons and removes hard boundary clipping, yet on OrganAMNIST it increases strong attack success from $89.7\%$ to $99.3\%$ (paired difference $+9.57$ points; 95\% hierarchical bootstrap CI $[+5.52,+14.03]$). At $c=1$, $40$-$47\%$ of clean Poincare features are hard-clipped, the radial Jacobian of the inherited map is nearly zero, and dimensionless attack trajectories are unusually long and inefficient. The spherical head provides a control: its curvature change is an exact scale gauge to floating-point precision and produces much smaller attack differences. These results do not establish intrinsic hyperbolic robustness. They identify an implementation-sensitive regime in which curvature, scale, and proximity to the Poincare boundary jointly organize clean recognition and adversarial representation motion.
• Abstract（参考訳）: 曲率はしばしば表現の本質的な性質として扱われるが、その経験的効果は座標スケール、学習ロジット温度、数値セーフガードにも依存する。 我々はこの相互作用を,ユークリッド,ポインケア,球状プロトタイプヘッドを備えたコンパクトビジョン変換器hZACH-ViTで研究する。 バックボーンアーキテクチャ、シード固有の初期化、50クラス毎のトレーニングサブセット、最適化プロトコルは、3つのMedMNISTデータセットと5つのシードにマッチする。 固定比較曲率$c=1$で、Poincareは12のデータセットバジェットセルで最小のクラスマクロPGD攻撃率を持ち、3つのデータセットでより強力なCE+DLRマルチリスタート攻撃を受けるが、最低のクリーンなMacroF1を持つ。 エンドツーエンドの曲率介入は解釈を変える。 ポインケアの曲率を$c=0.1$に下げると、15組のシードデータセット比較のいずれにおいてもクリーンなマクロF1が改善され、ハードバウンダリのクリッピングが削除されるが、OrganAMNISTでは899.7\%$から99.3\%$(paired difference $+9.57$ points; 95\%hierarchical bootstrap CI $[+5.52,+14.03]$)への攻撃成功が強い。 価格は$c=1$、$40$-$47\%のクリーンなポインケア機能はハードクラップされ、継承されたマップのラジアルジャコビアンはほぼゼロであり、次元のない攻撃軌道は異常に長く非効率である。 曲率の変化は浮動小数点精度に対する正確なスケールゲージであり、より小さな攻撃差を生み出す。 これらの結果は本質的な双曲性強靭性を確立しない。 彼らは、Poincare境界への曲率、スケール、近接が、クリーンな認識と対向的な表現運動を共同で組織する実装に敏感な体制を特定する。

関連論文リスト

• Certified Approximation for Interpretable Representer Landmarks [7.769050475854741]
  大規模では、このランク付けは経験的ニューラルネットワークカーネル(eNTK)の最大4つの重ねた近似に基づいている。 スケッチされたマルチヘッド eNTK の正確なばらつきは、Johnson-Lindenstrauss が err で最大$2.5times$ の値に一致する。 これにより、固定係数に適合する確率の高い最高額のK$証明書と、捨てられたスペクトル質量の正確な残留トレース証明書が得られる。
  論文  参考訳（メタデータ） (2026-09-30T03:49:20Z)
• CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
  スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。 予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。 ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
  論文  参考訳（メタデータ） (2026-09-22T18:03:36Z)
• Depth-Dependent Hidden-State Collapse in Dynamical System Autoencoders for LiDAR Point-Cloud Classification [0.0]
  空間座標と製品係数を用いたLiDAR点雲分類のための動的システムオートエンコーダ(DSAE)について検討した。 実験では、エンコーダ深さが$K=1,ldots,5$で個別にトレーニングされたDSAEアーキテクチャを比較し、ランダムフォレスト、kNN、および多数クラスのDummyベースラインで結果の隠れ表現を評価する。 主な発見は、隠れ状態の崩壊で$K=5$である。
  論文  参考訳（メタデータ） (2026-07-16T01:20:42Z)
• Closed-form fractional radial links for elliptical Mahalanobis discriminant analysis [0.0]
  ベイズ・ラジアルリンク(Bayes radial-link)ファミリーは、クラス内半径法則から導出する。 導出リンクは、装着されたGAMよりも著しく悪いことはない。 5つの重い尾のシリーズと明るい尾のコントロールの3つの方が優れている。
  論文  参考訳（メタデータ） (2026-07-07T10:02:33Z)
• Structural Kolmogorov-Arnold Convolutions: Learnable Function on the Values or the Filter Shape as Parameter-Efficient Alternative to Per-Edge Convolutional KANs [76.06235645266621]
  Convolutional Kolmogorov--Arnold Networks (KAN) は、畳み込みカーネルの固定重みを学習可能な単変数関数に置き換える。 学習可能な関数は、各エッジよりも畳み込みのエンファン構造に置かれる方がよいと我々は主張する。
  論文  参考訳（メタデータ） (2026-06-23T10:00:26Z)
• Hidden-State Privacy Has an Empty Middle [51.56484100374058]
  すべてのフルランクガウス解放を$O(1)$ Fisher utility で表すと、マハラノビス信号が隠れた幅で直線的に成長する方向を認める。 スクラッチからトレーニングされたスプリットメモリトランスフォーマーは、[20, 33]$90MでG_mathrmMahに達し、固定言語損失ペナルティにおいて、30Mから1Bまでの同じ予算のGPTベースラインに対して6ドル～24ドルという優位性を維持する。
  論文  参考訳（メタデータ） (2026-05-21T20:12:09Z)
• Prediction Bottlenecks Don't Discover Causal Structure (But Here's What They Actually Do) [11.664243197168403]
  次のステップの予測のためにのみ訓練されたMamba状態空間モデルは、単純な読み出しによってGranger-Causal構造を復元しているように見える。 我々は、再利用可能なファルシフィケーションベンチマークとしてそのクレームをテストするために使用されるプロトコルをパッケージ化し、そのクレームを5段階に分けた。 ベンチマークは持続するアーティファクトであり、上の各ステージはそのコントロールアームの1つです。
  論文  参考訳（メタデータ） (2026-05-09T21:12:55Z)
• Tokens-per-Parameter Coverage Is Critical for Robust LLM Scaling Law Extrapolation [45.56738584872585]
  ニューラルスケーリング法則は、パラメータカウント$N$とトークンカウント$D$のパワーロー関数として、言語モデルの損失を近似する。 本稿では,コリニア設計がガウス・ニュートン最小二乗問題に固有の不条件を生じさせることを示す。 これを4つのスケーリング法則形式に対して証明し、十分に条件付き推定に十分必要な閉形式TPP多様性閾値を導出する。
  論文  参考訳（メタデータ） (2026-05-08T23:00:17Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)
• Toward Adversarial Robustness via Semi-supervised Robust Training [93.36310070269643]
  アドリラルな例は、ディープニューラルネットワーク(DNN)に対する深刻な脅威であることが示されている。 R_stand$ と $R_rob$ の2つの異なるリスクを共同で最小化することで、新しい防御手法であるロバストトレーニング(RT)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T02:14:08Z)

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。