論文の概要: ATLAS-AL: Adaptive Trust-Region for Latent Adversarial Searches via Active Learning

• arxiv url: http://arxiv.org/abs/2610.07323v1
• Date: Mon, 05 Oct 2026 19:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.626862
• Title: ATLAS-AL: Adaptive Trust-Region for Latent Adversarial Searches via Active Learning
• Title（参考訳）: ATLAS-AL:能動学習による潜在敵探索のための適応的信頼関係
• Abstract要約: ATLASは、ブラックボックス学習システムの逆入力セットを検出するクエリベースのフレームワークである。 標準および逆向きに訓練されたMNIST、CIFAR、ImageNetモデルターゲットに適用すると、ATLASは他のクエリベースのブラックボックス攻撃よりも優れた代表攻撃が生成される。
• 参考スコア（独自算出の注目度）: 1.6928975054233433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Security evaluation of learning-based systems requires more than just testing the system against a fixed collection of attacks. It requires adaptive mechanisms that can efficiently discover \textit{sets} of inputs that induce model failure. We introduce ATLAS (Adaptive Trust-Regions for Latent Adversarial Searches), which is a query-based framework that discovers adversarial input sets for black-box learning systems. ATLAS casts attack generation as an active learning level set estimation problem then combines calibrated approximations with a local-global sampling architecture to find regions of the input space that contain adversarial examples. Once discovered, ATLAS is designed to sample points within these adversarial regions to build adversarial sets that accurately represent the state of robustness of the target model. When applied on toy experiments, we find that ATLAS is able to recover more of the adversarial region under a limited query budget than does previous work. When applied to standard and adversarially trained MNIST, CIFAR, and ImageNet model targets, ATLAS produces better representative attacks than other query-based black-box attacks (NES, SignHunter, BayesOpt). ATLAS represents an automated red-teaming framework that can be used for both analyzing the robustness of learning-based systems under development and continuous auditing to see how the robustness of a system changes over time.
• Abstract（参考訳）: 学習ベースのシステムのセキュリティ評価は、システムの固定された攻撃コレクションに対するテスト以上のものを必要とします。 モデル失敗を引き起こす入力の \textit{sets} を効率的に発見できる適応的なメカニズムが必要である。 我々は,ブラックボックス学習システムの逆入力セットを検出するクエリベースのフレームワークであるATLAS(Adaptive Trust-Regions for Latent Adversarial Searches)を紹介する。 ATLASはアタック生成を能動的学習レベルセット推定問題としてキャストし、キャリブレーションした近似と局所グロバルサンプリングアーキテクチャを組み合わせて、逆例を含む入力空間の領域を見つける。 ひとたび発見されると、ATLASはこれらの対向領域内の点をサンプリングして、ターゲットモデルの堅牢性の状態を正確に表現する対向集合を構築するように設計されている。 玩具実験に適用すると,ATLASは従来よりも限られたクエリ予算の下で,敵領域の回復が可能であることが判明した。 標準的な訓練を受けたMNIST、CIFAR、ImageNetモデルターゲットに適用すると、ATLASは他のクエリベースのブラックボックス攻撃(NES、SignHunter、BayesOpt)よりも優れた代表攻撃が生成される。 ATLASは、開発中の学習ベースのシステムの堅牢性の分析と、システムの堅牢性が経時的にどのように変化するかを確認するための、自動化された赤チームフレームワークである。

関連論文リスト

• ATLAS: Adaptive Topological Learning with Abstract Successors for Continual Learning [11.403605512454218]
  本稿では,これらの課題に対処するために,ATLAS(Adaptive Topological Learning with Abstract Successors)を提案する。 ATLASは新しい目標にほぼ瞬時に適応し、正の後方移動を示す。
  論文  参考訳（メタデータ） (2026-08-05T01:21:41Z)
• ATLAS: A Large-Scale Evaluation Benchmark for Adversarial LiDAR Perception [2.216657815393579]
  ATLASは、ブラックボックスセンサー攻撃下でのLiDAR知覚モデルの大規模な物理的基盤評価ベンチマークである。 標準ベンチマークでのより強力なパフォーマンスを持つモデルは、除去攻撃に耐える傾向にあるが、実際には弱いモデルよりもインジェクション攻撃に対して脆弱である。 この脆弱性を、標準的なオブジェクトデータベースサンプリング拡張にトレースし、現在のトレーニングプラクティスがアーキテクチャに依存しない障害を誘発する方法を明らかにします。
  論文  参考訳（メタデータ） (2026-06-01T21:56:57Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy [64.39232788946173]
  低高度経済(LAE)は社会福祉の強化と経済成長の推進に大きく貢献している。 本稿では,セキュアなLAEのためのアンサンブル学習,研究の焦点,解決策,ケーススタディについて検討する。
  論文  参考訳（メタデータ） (2026-02-07T23:15:58Z)
• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-03T06:27:33Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• UNICAD: A Unified Approach for Attack Detection, Noise Reduction and Novel Class Identification [5.570086931219838]
  UNICADは、適応的なソリューションを提供するために様々な技術を統合する新しいフレームワークとして提案されている。 対象画像分類において、UNICADは正確な画像分類を達成し、未知のクラスを検出し、敵攻撃から回復する。 CIFAR-10データセットで行った実験は、UNICADが対向緩和および見知らぬクラス分類において有効であり、従来のモデルよりも優れていたことを示している。
  論文  参考訳（メタデータ） (2024-06-24T10:10:03Z)
• Layer-wise Regularized Adversarial Training using Layers Sustainability Analysis (LSA) framework [8.701566919381223]
  敵の攻撃に対する適切な解決策は、堅牢性と一般化の間のトレードオフに達する敵の訓練である。 本稿では,ニューラルネットワークの層脆弱性を敵攻撃のシナリオで解析するための新しいフレームワーク (Layer Sustainability Analysis) を提案する。 提案したアイデアは、最先端の多層パーセプトロンと畳み込みニューラルネットワークアーキテクチャに対して、理論上、実験的によく機能する。
  論文  参考訳（メタデータ） (2022-02-05T20:05:53Z)

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。