論文の概要: MRCert: Towards Post-deployment Patch Robustness Certification for Adversarially Patched Samples via Type-specific Masking

• arxiv url: http://arxiv.org/abs/2610.10617v1
• Date: Wed, 07 Oct 2026 07:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.56908
• Title: MRCert: Towards Post-deployment Patch Robustness Certification for Adversarially Patched Samples via Type-specific Masking
• Title（参考訳）: MRCert: タイプ固有のマスキングによる逆パッチサンプルに対するデプロイ後パッチロバストネス認定に向けて
• Abstract要約: デプロイ後の時間では、ディープラーニングモデルへのインプットは、反対にパッチを当てられるか、適用されないかのどちらかである。 マスクベースの認証回復ディフェンダーであるMRCertを提案する。 我々は,MRCertが16ピクセルのパッチサイズでImageNet上で35.1%の認証精度を達成したことを示す。
• 参考スコア（独自算出の注目度）: 5.436936952799042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In post-deployment time, inputs to deep learning models may or may not be adversarially patched. Patch robustness certification on such inputs within a patch bound can verify their label benignity and should retain high prediction accuracy. However, existing smoothing-based and masking-based recovery defenders cannot achieve both simultaneously: they degrade the prediction accuracy much and cannot verify the benignity of the returned label of an adversarially patched input, respectively. We propose MRCert, the first masking-based certified recovery defender that shows the feasibility of achieving both. Unlike all existing works to apply a common condition across both types of input (benign and adversarially patched samples) for certification, MRCert infers type-specific necessary properties of deep learning models for both types in post-deployment time and formally relates them to verify the label benignity through a novel type-oriented design of label recovery and certification function pair. Without incurring the degradation in clean accuracy caused by smoothing, experimental results confirm that MRCert achieves 35.1\% adversarial certified accuracy on ImageNet at patch size 16 pixels, whereas the SOTA PatchCURE fails completely.
• Abstract（参考訳）: デプロイ後時間では、ディープラーニングモデルへのインプットは、反対にパッチを当てられるか、適用されないかのどちらかである。 パッチバウンド内のそのような入力に対するパッチロバスト性認証は、ラベルの良性を検証することができ、高い予測精度を維持する必要がある。 しかし、既存のスムーシングベースとマスクベースのリカバリディフェンサは、予測精度を著しく低下させ、それぞれ逆パッチされた入力の返却ラベルの良否を検証できない。 マスクベースの認証回復ディフェンダーであるMRCertを提案する。 認証のための2種類の入力(良性および逆性にパッチされたサンプル)の共通条件を適用するすべての既存の作業とは異なり、MRCertは、デプロイ後時間に両方のタイプのディープラーニングモデルのタイプ固有の必要な特性を推論し、ラベルリカバリと認証関数ペアの新たなタイプ指向設計を通じてラベルの良性を検証するために正式に関連付ける。 平滑化によるクリーンな精度の劣化を起こさずに、実験結果により、MRCertは16ピクセルのパッチサイズでImageNet上で35.1\%の正逆認証を達成し、SOTA PatchCUREは完全に失敗することを確認した。

関連論文リスト

• Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
  EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。 自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。 本稿は、強い透かしに代わる聴覚的な代替品を開発する。
  論文  参考訳（メタデータ） (2026-10-05T13:32:41Z)
• Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing [75.56230265544042]
  大規模テキスト・ツー・イメージ(T2I)拡散モデルにより、前例のない創造的応用が可能になったが、その無許可の使用は、深刻な知的財産権の懸念を提起している。 層適応平滑化に基づくT2Iモデルのための最初の認定MOV法であるCert-LASを提案する。 特定の条件下では、悪意のある除去攻撃があっても、我々のCert-LASは信頼性の高い検証が可能である。
  論文  参考訳（メタデータ） (2026-05-28T11:54:52Z)
• CAAP: Capture-Aware Adversarial Patch Attacks on Palmprint Recognition Models [72.58453081100429]
  Palmprint認識は、アクセス制御やPalmベースの支払いを含む、セキュリティクリティカルなアプリケーションにデプロイされる。 既存の研究ではパームプリント認識のテクスチャに支配的な性質を十分に考慮していない。 本稿では,パームプリント認識のためのキャプチャ対応逆パッチフレームワークであるCAAPを提案する。
  論文  参考訳（メタデータ） (2026-04-08T12:03:14Z)
• Toward Patch Robustness Certification and Detection for Deep Learning Systems Beyond Consistent Samples [3.914395669991103]
  本稿では,新しいマスキングによる認証検出手法であるHiCertを提案する。 無矛盾で一貫したサンプルを含む、はるかに良質なサンプルを認定する。 警告を伴わず、偽のサイレント比を著しく下げることなく、これらの試料の精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-05T20:02:09Z)
• Pixel-level Certified Explanations via Randomized Smoothing [87.48628403354351]
  ポストホック属性法は, 入力画素を強調することにより, 深層学習の予測を説明することを目的としている。 小さい、知覚不能な入力摂動は、同じ予測を維持しながら、属性マップを劇的に変更することができる。 ブラックボックス属性法における画素レベルのロバスト性を保証する最初の認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T14:41:24Z)
• CertDW: Towards Certified Dataset Ownership Verification via Conformal Prediction [48.82467166657901]
  本稿では,最初の認証データセット透かし(CertDW)とCertDWベースの認証データセットオーナシップ検証手法を提案する。 共形予測に触発されて,主確率 (PP) と透かし頑健性 (WR) の2つの統計指標を導入する。 我々は、不審モデルのWR値が、透かしのないデータセットでトレーニングされた良性モデルのPP値を大幅に上回る場合に、PPとWRの間に証明可能な低い境界が存在することを証明した。
  論文  参考訳（メタデータ） (2025-06-16T07:17:23Z)
• All Patches Matter, More Patches Better: Enhance AI-Generated Image Detection via Panoptic Patch Learning [45.37237171823581]
  AI生成画像(AIGI)の指数的成長は、堅牢で一般化可能な検出方法の緊急の必要性を浮き彫りにしている。 本稿では,系統解析によるAIGI検出の2つの重要な原則を確立する。
  論文  参考訳（メタデータ） (2025-04-02T06:32:09Z)
• CrossCert: A Cross-Checking Detection Approach to Patch Robustness Certification for Deep Learning Models [6.129515045488372]
  パッチ堅牢性認証は、証明可能な保証付き敵パッチ攻撃に対する、新たな防御技術である。 本稿ではCrossCertと呼ばれる新しい防御技術を提案する。
  論文  参考訳（メタデータ） (2024-05-13T11:54:03Z)
• PatchCensor: Patch Robustness Certification for Transformers via Exhaustive Testing [7.88628640954152]
  Vision Transformer (ViT)は、他の古典的ニューラルネットワークと同様に非常に非線形であることが知られており、自然なパッチの摂動と逆パッチの摂動の両方によって容易に騙される。 この制限は、特に安全クリティカルなシナリオにおいて、実際の産業環境におけるViTの展開に脅威をもたらす可能性がある。 PatchCensorを提案する。このPatchCensorは、徹底的なテストを適用することで、ViTのパッチ堅牢性を証明することを目的としている。
  論文  参考訳（メタデータ） (2021-11-19T23:45:23Z)

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。