論文の概要: Robust Evidential Learning Through Latent Consistency

• arxiv url: http://arxiv.org/abs/2610.01384v1
• Date: Thu, 01 Oct 2026 09:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.040985
• Title: Robust Evidential Learning Through Latent Consistency
• Title（参考訳）: 潜在一貫性によるロバスト・エビデンシャル・ラーニング
• Abstract要約: Evidential Deep Learningは、単一のフォワードパスで効率的な不確実性推定を提供する。 しかし、学習した表現が不十分な入力に高い明快な強さを割り当てることもできる。 CLEARはタスクに依存しない軽量なポストホック法で,ベース予測の再トレーニングや変更をすることなく,明らかなロバスト性を改善する。
• 参考スコア（独自算出の注目度）: 3.2116198597240846
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable uncertainty quantification is essential for deploying deep learning models in high-stakes settings, where out-of-distribution and adversarial inputs can induce confident but unreliable predictions. Evidential Deep Learning provides efficient uncertainty estimates in a single forward pass, but can still assign high evidential strength to inputs that are poorly supported by the learned representation, such as adversarial inputs. We introduce CLEAR, a lightweight, task-agnostic post-hoc method that improves evidential robustness without retraining or altering the base prediction. Using held-out calibration data, CLEAR characterises the group-conditioned geometry of the model's latent space. At inference, it efficiently generates perturbation views directly in the latent space and measures their conflict relative to the calibrated geometry of the predicted group. High latent conflict indicates unsupported evidence, which CLEAR uses to selectively reduce evidential strength while retaining evidence for latent-consistent inputs. On ImageNet$\rightarrow$CUB, CLEAR improves OOD and adversarial AUROC by $+8.29$ and $+5.01$ while running 17.4$\times$ faster than competing post-hoc methods while preserving predictive performance across classification, regression, and object detection benchmarks.
• Abstract（参考訳）: 信頼できない不確実性定量化は、信頼できないが信頼できない予測を導き出すことができるような、深層学習モデルをハイテイク環境で展開するために不可欠である。 エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、1つのフォワードパスにおいて効率的な不確実性推定を提供するが、敵対的なインプットのような学習された表現によって支えられていないインプットに高い明らかな強度を割り当てることができる。 CLEARはタスクに依存しない軽量なポストホック法で,ベース予測の再トレーニングや変更をすることなく,明らかなロバスト性を改善する。 保持されたキャリブレーションデータを用いて、CLEARはモデルの潜在空間の群条件付き幾何学を特徴付ける。 推論の際には、遅延空間における摂動ビューを効率よく生成し、予測された群の校正された幾何に対してそれらの衝突を測定する。 高い潜伏対立は、CLEARが、潜伏一貫性のある入力の証拠を保持しながら、明らかな強度を選択的に減少させるために使用している証拠を示す。 ImageNet$\rightarrow$CUBでは、CLEARはOODとAUROCを$+8.29$と$+5.01$で改善し、また17.4$\times$は競合するポストホックメソッドよりも高速で、分類、回帰、オブジェクト検出ベンチマークで予測性能を保っている。

関連論文リスト

• ReACT-CLIP: Response-Aware Test-Time Defense for Vision--Language Models [34.88445604400548]
  ReACT-CLIPは、各入力がどの程度強く修正されるべきか、防御介入が必要かを決定するテストタイムディフェンスである。 多様な攻撃タイプや強みにまたがって、相当な堅牢性向上を実現しますが、大部分はクリーンな正確さを保っています。
  論文  参考訳（メタデータ） (2026-08-02T08:06:45Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• Confidence-Aware Alignment Makes Reasoning LLMs More Reliable [65.44962502963378]
  CASPOは、トークンレベルの信頼度とステップワイドな論理的正しさを、個別の報酬モデルをトレーニングせずに整合させるフレームワークである。 推論中、信頼を意識した思考(CaT)を提案し、不確実な推論枝を無視可能なO(V)レイテンシで動的に生成する。 10のベンチマークと複数のモデルファミリでの実験では、CASPOは推論の信頼性と推論効率を一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-08T07:08:25Z)
• TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models [32.85951917559796]
  本稿では, 対向検出を行う軽量な防御フレームワークであるTest-Time Padding (TTP) を提案する。 TTPは最先端のテスト時間防衛を一貫して上回り、クリーンな精度を損なうことなく敵の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-18T13:34:14Z)
• Quantifying Adversarial Uncertainty in Evidential Deep Learning using Conflict Resolution [2.321323878201932]
  C-EDL (Conflict-aware Evidential Deep Learning) は、ポストホック後の不確実性定量化手法である。 C-EDLは入力毎に多様なタスク保存変換を生成し、不一致を定量化して不確実性推定を校正する。 実験により,C-EDLは最先端のEDLと競争ベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T10:06:23Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• 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)
• BERT Loses Patience: Fast and Robust Inference with Early Exit [91.26199404912019]
  本稿では,事前学習した言語モデルの効率性と堅牢性を向上させるためのプラグイン・アンド・プレイ手法として,Patience-based Early Exitを提案する。 提案手法では,モデルを少ないレイヤで予測できるため,推論効率が向上する。
  論文  参考訳（メタデータ） (2020-06-07T13:38:32Z)

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。