論文の概要: QCLR: A Plug-in Robustification Module via Quantization for Contrastive Learning in Self-Supervised Skeleton-Based Human Action Recognition

• arxiv url: http://arxiv.org/abs/2610.13281v1
• Date: Fri, 09 Oct 2026 09:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.506899
• Title: QCLR: A Plug-in Robustification Module via Quantization for Contrastive Learning in Self-Supervised Skeleton-Based Human Action Recognition
• Title（参考訳）: QCLR: 自己監督型骨格に基づく人間行動認識におけるコントラスト学習のための量子化によるプラグインロバスト化モジュール
• Abstract要約: 自己教師型骨格に基づく人間行動認識におけるコントラスト学習のための量子化によるプラグインロバスト化モジュールを提案する。 符号化パイプラインをまたいだ二重レベル量子化方式を用いて、勾配伝播を破り、小さな対向摂動を吸収する。
• 参考スコア（独自算出の注目度）: 9.712546751621113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skeleton-based human action recognition has gained increasing attention due to the stability of skeleton data across diverse environments and advances in motion capture technologies. Following the success of supervised learning approaches, self-supervised learning approaches, particularly contrastive learning ones, have achieved impressive performance. However, they remain vulnerable to adversarial attacks. In this work, we propose a plug-in robustification module via quantization for contrastive learning in self-supervised skeleton-based human action recognition (QCLR), which enhances the robustness of representations against adversarial attacks while preserving their representational capability. Specifically, we employ a dual-level quantization scheme across the encoding pipeline, which breaks the gradient propagation and absorbs small adversarial perturbations within the quantization bins. To mitigate the impact of inevitable quantization error, we further design an attention-guided multi-faceted quantization strategy to maintain the representation quality. Experiments on several benchmark datasets demonstrate that integrating QCLR into a progressive lineage of mainstream contrastive learning models substantially improves robustness against both gradient-based white-box and gradient-free black-box adversarial attacks, while preserving highly competitive classification accuracy.
• Abstract（参考訳）: 骨格データの様々な環境における安定性とモーションキャプチャ技術の進歩により、骨格に基づく人間の行動認識が注目を集めている。 教師付き学習アプローチの成功に続いて、自己教師付き学習アプローチ、特に対照的な学習アプローチは印象的なパフォーマンスを達成した。 しかし、敵の攻撃に弱いままである。 本研究では,自己教師型骨格に基づく人間行動認識(QCLR)におけるコントラスト学習のための量子化によるプラグインロバスト化モジュールを提案する。 具体的には、符号化パイプラインにまたがる二重レベル量子化方式を用いて、勾配伝播を破り、量子化ビン内の小さな対向摂動を吸収する。 必然的量子化誤差の影響を軽減するため,注意誘導型多面量子化戦略を設計し,表現品質の維持を図る。 いくつかのベンチマークデータセットの実験では、QCLRを主流のコントラスト学習モデルの進歩的な系統に統合することで、高度に競争力のある分類精度を維持しながら、勾配ベースのホワイトボックスと勾配のないブラックボックスの攻撃に対する堅牢性を大幅に向上することを示した。

関連論文リスト

• Beyond Entropy: Self-Diagnostic Multi-Role Token Optimization for Video Reasoning [82.12877400975769]
  我々は、信頼性の高いトークン選択と適応的な対実的介入を共同で最適化する、共進化的フレームワークであるDyCPOを紹介する。 複雑なビデオ推論と一般的なビデオ理解ベンチマークの実験は、一貫したパフォーマンス改善を示している。
  論文  参考訳（メタデータ） (2026-10-02T14:48:40Z)
• A Robust Adversarial Ensemble with Causal (Feature Interaction) Interpretations for Image Classification [9.945272787814941]
  本稿では,識別的特徴と生成的モデルを組み合わせた深層アンサンブルモデルを提案する。 提案手法は,特徴抽出のためのボトムレベル事前学習型識別ネットワークと,逆入力分布をモデル化したトップレベル生成型分類ネットワークを統合する。
  論文  参考訳（メタデータ） (2024-12-28T05:06:20Z)
• Enhancing Adversarial Robustness of Deep Neural Networks Through Supervised Contrastive Learning [0.0]
  敵攻撃は、知覚不能な摂動を導入することで畳み込みニューラルネットワークの脆弱性を悪用する。 本稿では,教師付きコントラスト学習とマージンに基づくコントラスト損失を組み合わせた新たな枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-27T17:14:52Z)
• Enhancing Adversarial Robustness through Multi-Objective Representation Learning [1.534667887016089]
  ディープニューラルネットワーク(DNN)は、小さな敵の摂動に対して脆弱である。 トレーニング中のロバストな特徴学習は、ロバスト性を大幅に向上させることができることを示す。 自然的特徴と敵対的特徴を整合させる多目的的手法であるMORELを提案する。
  論文  参考訳（メタデータ） (2024-10-02T16:05:03Z)
• Neural Networks with Quantization Constraints [111.42313650830248]
  量子化学習における制約付き学習手法を提案する。 結果の問題は強い双対であり、勾配推定は不要であることを示す。 提案手法は画像分類タスクにおける競合性能を示す。
  論文  参考訳（メタデータ） (2022-10-27T17:12:48Z)
• On Higher Adversarial Susceptibility of Contrastive Self-Supervised Learning [104.00264962878956]
  コントラスト型自己教師学習(CSL)は,画像と映像の分類において,教師あり学習のパフォーマンスに適合するか上回っている。 2つの学習パラダイムによって誘導される表現の性質が似ているかどうかは、いまだに不明である。 我々は,CSL表現空間における単位超球面上のデータ表現の均一分布を,この現象の鍵となる要因として同定する。 CSLトレーニングでモデルロバスト性を改善するのにシンプルだが有効である戦略を考案する。
  論文  参考訳（メタデータ） (2022-07-22T03:49:50Z)
• 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)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)

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。