論文の概要: When Normalization Selects the Sign: Auditing Robustness Ablations in Quantum Attention

• arxiv url: http://arxiv.org/abs/2610.02641v1
• Date: Fri, 02 Oct 2026 00:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.139627
• Title: When Normalization Selects the Sign: Auditing Robustness Ablations in Quantum Attention
• Title（参考訳）: 正規化が符号を選択するとき:量子注意におけるロバスト性アブレーションの監査
• Abstract要約: 生成した電力グリッド軌道上の4量子量子アテンション検出器の問題点を実証する。 学習したスケーリングモジュールは、固定された物理的攻撃予算で有用であるように見えるが、エンコーダの摂動の上限値に一致すると順序が逆になる。 実践的な教訓は、どの摂動予算が固定されているかを特定すること、ラベルと介入が予測を保存することをチェックすること、探索的制御と確認的証拠を区別することである。
• 参考スコア（独自算出の注目度）: 0.17499351967216337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Removing an input-scaling module changes both a classifier and the perturbations reaching its encoder. A robustness difference can therefore reflect the comparison rule as well as the module. We demonstrate this problem in a four-qubit quantum-attention detector on generated power-grid trajectories. A learned scaling module appears beneficial at a fixed physical attack budget, but matching an upper bound on perturbations at the encoder reverses the ordering. Neither comparison alone establishes a robustness benefit caused by the module. The initial test also perturbs clean examples into attacked examples while retaining their original labels; tests restricted to already attacked examples do not establish a benefit. Replacing a trained model's input scales disrupts detection. Retraining its linear classification layer restores the detection rate, but changes individual predictions, leaving the comparison descriptive rather than causal. Two further design checks explain why the input quantum Fisher information regularizer cannot train this model's query parameters, and why removing confidence bounds does not establish a larger certified radius. The evidence is limited to ten seeds, exact simulation, synthetic data, and a restricted set of attacks; classical baselines achieve better clean prediction. The practical lesson is to specify which perturbation budget is fixed, check that attacks preserve labels and interventions preserve predictions, and distinguish exploratory controls from confirmatory evidence.
• Abstract（参考訳）: 入力スケーリングモジュールの削除は、エンコーダに到達した分類器と摂動の両方を変更する。 したがって、ロバスト性の違いは、モジュールと同様に比較規則を反映することができる。 我々は、この問題を、発生した電力グリッド軌道上の4量子量子アテンション検出器で実証する。 学習したスケーリングモジュールは、固定された物理的攻撃予算で有用であるように見えるが、エンコーダの摂動の上限値に一致すると順序が逆になる。 どちらの比較も、モジュールによって引き起こされるロバストネスの利点を確立させるものではない。 最初のテストでは、攻撃されたサンプルを元のラベルを保持しながら、攻撃されたサンプルに乱入する。 訓練されたモデルの入力スケールをリプレースすることは、検出を妨害する。 線形分類層をリトレーニングすることは検出率を回復させるが、個々の予測を変えるため、因果関係ではなく比較記述が残る。 さらに2つの設計チェックでは、入力量子フィッシャー情報正規化器がこのモデルのクエリパラメータをトレーニングできない理由と、信頼性境界の除去がより大きな認証半径を確立していない理由が説明されている。 証拠は10個の種、正確なシミュレーション、合成データ、限定的な攻撃に限られている。 実践的な教訓は、どの摂動予算が固定されているかを特定すること、ラベルと介入が予測を保存することをチェックすること、探索的制御と確認的証拠を区別することである。

関連論文リスト

• A Heckler in the Hidden State: Correctness Signals in Diffusion Language Models [4.165512410177194]
  拡散モデルは、部分的にマスキングされたシーケンスを繰り返し更新することでコードを生成する。 我々は、それらの内部アクティベーションがコード正しさを符号化し、その情報が生成を改善するかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-29T05:54:31Z)
• Client-Side Probing of Deleted Ridge Statistics in Federated Unlearning [8.170162585703787]
  Federated Unlearningは、共有モデルからクライアントのデータを取り除き、スクラッチからリトレーニングすることを目的としている。 いくつかの効率的なシステムは、訓練機能のコンパクトで付加的な要約を格納することで、削除を正確にする。 これらの放送は、隠れた要約を明らかにすることもできる。
  論文  参考訳（メタデータ） (2026-09-03T20:59:09Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Token-Level Generalization in LoRA Adapter Backdoors: Attack Characterization and Behavioral Detection [0.0]
  我々はLoRAをトレーニングデータ中毒によって確実にバックドアできることを示す。 攻撃はランクとともに単調にスケールし、選択されたトリガーアンカートークンはトリガー依存とベースモデル依存の両方である。 行動検出はサプライチェーンスキャンの操作可能な結果である。
  論文  参考訳（メタデータ） (2026-05-28T16:32:25Z)
• Silent Commitment Failure in Instruction-Tuned Language Models: Evidence of Governability Divergence Across Architectures [0.0]
  我々は、モデルのエラーが出力コミット前に検出可能で、一度検出されると修正できる程度、統治性を導入します。 ベンチマーク精度は支配可能性を予測するものではなく、補正能力は検出と独立に異なり、同一のガバナンス足場はモデル間で逆の効果をもたらす。 本稿では,モデルとタスクの組み合わせをGovernable, Monitor Only, Steer Blind, Ungovernableの4つに分類する。
  論文  参考訳（メタデータ） (2026-03-22T21:50:28Z)
• A Granular Study of Safety Pretraining under Model Abliteration [64.24346997570275]
  本稿では,リフレクションに敏感な方向を除去する軽量プロジェクション技術であるモデルアブリーブレーションについて検討する。 我々は、バランスのとれた有害かつ無害なケースで100のプロンプトを発行し、複数の判断を用いて**Refusal*または***Non-Refusal*として応答を分類し、判断の忠実さを検証する。 本研究は,データ中心の安全コンポーネントが失語中も頑健であるチェックポイントレベルの特徴付けを行う。
  論文  参考訳（メタデータ） (2025-10-03T07:01:45Z)
• Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
  敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。 我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。 検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
  論文  参考訳（メタデータ） (2024-11-21T17:46:55Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。