論文の概要: GraphRectify: Graph-Based Transfer of Adversarial Example Detectors Across Neural Networks

• arxiv url: http://arxiv.org/abs/2610.10423v1
• Date: Wed, 07 Oct 2026 17:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.065724
• Title: GraphRectify: Graph-Based Transfer of Adversarial Example Detectors Across Neural Networks
• Title（参考訳）: GraphRectify: ニューラルネットワーク間の逆例検出器のグラフベース転送
• Abstract要約: 逆例検出器は、しばしば訓練された分類器のバックボーンに結び付けられ、保護されたモデルが置き換えられたりアップグレードされたりする際に再利用を制限する。 分類器のバックボーン間で逆画像検出器を転送するグラフベースのフレームワークであるGraphRectifyを提案する。
• 参考スコア（独自算出の注目度）: 1.3578741464318356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial example detectors are often tied to the classifier backbone they were trained on, limiting reuse when the protected model is replaced or upgraded. Directly transferring such detectors across backbones is challenging because different networks generally produce incompatible internal representations. We propose GraphRectify, a graph-based framework for transferring adversarial image detectors across classifier backbones. GraphRectify learns a structured representation of intermediate classifier features and adapts representations from a new backbone to the detector learned on the original model, enabling detector reuse. We evaluate GraphRectify across multiple datasets, backbone architectures, and adversarial attacks, including detector-aware adaptive attacks that jointly target the classifier and detector. Across the complete evaluation matrix, GraphRectify achieves higher aggregate ROC-AUC than training a detector from scratch on the new backbone and the evaluated transfer ablations. The gains are particularly strong for transfers between different backbone families and when sufficient data are available. In contrast, training from scratch remains competitive in the most data-limited settings. These results show that adversarial detection knowledge can transfer effectively across heterogeneous classifier architectures rather than being relearned whenever the protected backbone changes.
• Abstract（参考訳）: 逆例検出器は、しばしば訓練された分類器のバックボーンに結び付けられ、保護されたモデルが置き換えられたりアップグレードされたりする際に再利用を制限する。 このような検出器をバックボーン間で直接転送することは、異なるネットワークが一般に非互換な内部表現を生成するため困難である。 分類器のバックボーン間で逆画像検出器を転送するグラフベースのフレームワークであるGraphRectifyを提案する。 GraphRectifyは中間分類器の特徴の構造化表現を学習し、新しいバックボーンから元のモデルで学習した検出器に表現を適応させ、検出器の再利用を可能にする。 GraphRectifyを複数のデータセット、バックボーンアーキテクチャ、および識別器と検出器を協調的に標的とする検出対応攻撃を含む敵攻撃で評価する。 完全な評価行列全体にわたって、GraphRectifyは、新しいバックボーンのスクラッチと評価された転送アブレーションから検出器をトレーニングするよりも高い集合ROC-AUCを達成する。 バックボーンの異なるファミリ間の転送や、十分なデータが利用可能であれば、そのゲインは特に強くなります。 対照的に、スクラッチからのトレーニングは、最もデータ制限のある設定でも競争力がある。 これらの結果から,保護されたバックボーンが変更されるたびにリアードされるのではなく,異種分類器アーキテクチャを横断的に効果的に伝達できることが示唆された。

関連論文リスト

• Representation Trajectories Matters: Complementary Evidence for OOD Detection and Image Classification [34.70678629832136]
  視覚モデルは一度に表現を形成せず、各ブロックはそれを更新する。 我々は,結果の計算経路が最終表現が破棄される証拠を含むか否かを問うとともに,その証拠がクリーンかつシフトしたデータ上でのOODの検出と画像分類を改善するか否かを問う。 我々は、クラスコヒーレントトランスポートを入力固有のイノベーションから分離し、リレーショナルリオーガナイゼーションからの移動を調整する。 教師付き、自己監督型、視覚言語、階層型、畳み込みエンコーダ全体において、これらのパスは、強いサンプル固有の連続性と、データセット間で再帰するアーキテクチャ固有の深さプロファイルを示す。
  論文  参考訳（メタデータ） (2026-07-29T07:35:59Z)
• NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
  Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。 IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。 攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
  論文  参考訳（メタデータ） (2026-04-15T22:23:40Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Deepfake Detection via Joint Unsupervised Reconstruction and Supervised Classification [25.84902508816679]
  本稿では,再建作業と分類作業を同時に行うディープフェイク検出手法を提案する。 この方法は、あるタスクによって学習された情報を他のタスクと共有する。 提案手法は,一般的に使用されている3つのデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-24T05:44:26Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Non-Intrusive Detection of Adversarial Deep Learning Attacks via Observer Networks [5.4572790062292125]
  近年の研究では、深層学習モデルは逆入力に弱いことが示されている。 本稿では,主分類網を複数のバイナリ検出器で拡張することにより,逆入力を検出する新しい手法を提案する。 我々は、MNISTデータセットで99.5%、CIFAR-10データセットで97.5%の精度で検出する。
  論文  参考訳（メタデータ） (2020-02-22T21:13:00Z)

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。