論文の概要: Augmentation-Guided Adversarial Training via Local Stability-Based Sample Selection

• arxiv url: http://arxiv.org/abs/2610.33331v1
• Date: Fri, 23 Oct 2026 22:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.302633
• Title: Augmentation-Guided Adversarial Training via Local Stability-Based Sample Selection
• Title（参考訳）: 局所安定型サンプル選択による拡張誘導型対人訓練
• Abstract要約: 敵の訓練は、敵の攻撃に対する最も効果的な防御の1つである。 標準PGDベースのトレーニングは、トレーニングサンプル毎に逆例が生成されるため、計算コストがかかる。 本稿では,Augmentation-Guided Adversarial Training (AGAT)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial training remains one of the most effective defenses against adversarial attacks, but its standard PGD-based training is computationally expensive because adversarial examples are generated for every training sample. Selective adversarial training reduces this cost by perturbing only a subset of samples. However, existing selective techniques typically rely on point-wise difficulty signals such as loss, entropy, margin, or gradients. We show that these point-wise criteria do not capture local instability in a sample's neighborhood. Motivated by this, we propose Augmentation-Guided Adversarial Training (AGAT), a selective adversarial training framework that uses augmentation-induced local variation to allocate samples with unstable neighborhoods for adversarial training. AGAT ranks samples using Augmentation-based Local Stability (ALS), a lightweight score that measures the normalized change in model logits between an input and its label-preserving augmented variant. Experiments across different architectures on MNIST, CIFAR-10, CIFAR-100, and Tiny-ImageNet-200 demonstrate that AGAT achieves comparable or higher robust accuracy while applying adversarial supervision to only 20-30% of the training samples in each minibatch. AGAT also requires less training time than all other adversarial training baselines in the computational cost evaluation.
• Abstract（参考訳）: 敵の訓練は依然として敵の攻撃に対する最も効果的な防御の1つであるが、標準的なPGDベースの訓練は、訓練サンプル毎に敵の例が生成されるため、計算的に高価である。 選択的な敵対的訓練は、サンプルのサブセットだけを摂動させることによって、このコストを削減する。 しかし、既存の選択的手法は一般的に損失、エントロピー、マージン、勾配などの点的困難信号に依存している。 これらのポイントワイズ基準は, サンプルの近傍における局所不安定性を捉えないことを示す。 そこで本稿では,Augmentation-Guided Adversarial Training (AGAT)を提案する。 AGATは、Augmentation-based Local Stability (ALS)を使用してサンプルをランク付けする。 MNIST、CIFAR-10、CIFAR-100、Tiny-ImageNet-200の異なるアーキテクチャにおける実験により、AGATは各ミニバッチのトレーニングサンプルの20～30%に敵の監督を適用しながら、同等または高いロバストな精度を達成することが示された。 AGATはまた、計算コスト評価において、他のすべての敵のトレーニングベースラインよりもトレーニング時間を少なくする。

関連論文リスト

• A JiT-Based Denoising Defense Method Against Adversarial Examples for Radio Signal Automatic Modulation Classification [14.832375024298363]
  アドリアリトレーニングは共通の防御であり、攻撃タイプ間の一般化の低さや高い訓練コストを含む制限がある。 本稿では, 無線信号変調分類の逆例に対して, JiT-based denoising Defenseを提案する。
  論文  参考訳（メタデータ） (2026-10-26T09:26:37Z)
• Scaling Adversarial Training via Data Selection [0.0]
  本稿では,各ミニバッチにおける臨界サンプルのサブセットのみを摂動するemphSelective Adversa Trainingを提案する。 MNIST と CIFAR-10 の実験により,提案手法は PGD の完全対向訓練に匹敵する,あるいはそれ以上の堅牢性を達成できることが示された。
  論文  参考訳（メタデータ） (2025-12-26T15:50:33Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Selecting Learnable Training Samples is All DETRs Need in Crowded Pedestrian Detection [72.97320260601347]
  混雑した歩行者検出では, サンプル選択法が不適切であるため, DETRの性能は相変わらず不満足である。 制約誘導ラベル割り当てスキーム(CGLA)からなる群集歩行者のサンプル選択を提案する。 実験の結果,提案したSSCPは推論のオーバーヘッドを発生させることなく,ベースラインを効果的に改善することがわかった。
  論文  参考訳（メタデータ） (2023-05-18T08:28:01Z)
• Sparsity Winning Twice: Better Robust Generalization from More Efficient Training [94.92954973680914]
  スパース対位訓練の代替として, (i) スタティック・スパシティと (ii) ダイナミック・スパシティの2つを紹介した。 いずれの方法も、ロバストな一般化ギャップを大幅に縮小し、ロバストなオーバーフィッティングを緩和する。 我々のアプローチは既存の正規化器と組み合わせて、敵の訓練における新たな最先端の成果を確立することができる。
  論文  参考訳（メタデータ） (2022-02-20T15:52:08Z)
• Regional Adversarial Training for Better Robust Generalization [35.42873777434504]
  良性サンプル近傍の摂動点の特性と多様性を考察した,新たな対人訓練フレームワークを提案する。 RATは、標準対人訓練(SAT)を継続的に改善し、より堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2021-09-02T02:48:02Z)
• Constant Random Perturbations Provide Adversarial Robustness with Minimal Effect on Accuracy [41.84118016227271]
  本稿では,ニューラルネットワークモデルの敵対的ロバスト性を改善するための攻撃非依存(非敵訓練)手法を提案する。 各トレーニング例の周辺に,その地区内のすべての入力に対してラベルが一定に維持されるような地区を作成することを提案する。 提案手法は,バニラ対人訓練と比較してロバスト性を高めつつ,他の防御に対する標準精度を向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-03-15T10:44:59Z)
• Target Training Does Adversarial Training Without Adversarial Samples [0.10152838128195464]
  敵のサンプルは 敵の攻撃のコアの最小化に基づいて ステアリング・アタック・コンバージェンスに最適ではありません 標的訓練は、摂動を最小限に抑える全ての攻撃に対して、訓練のための敵のサンプルを生成する必要をなくす。 CIFAR10では、摂動を最小化しない攻撃に対する敵のサンプルを使用して、現在の最良の防御(69.1$%)を超え、CW-L$($kappa=40$)に対して76.4$%となる。
  論文  参考訳（メタデータ） (2021-02-09T14:17:57Z)
• Self-Progressing Robust Training [146.8337017922058]
  敵対的なトレーニングのような現在の堅牢なトレーニング方法は、敵対的な例を生成するために「攻撃」を明示的に使用します。 我々はSPROUTと呼ばれる自己プログレッシブ・ロバスト・トレーニングのための新しいフレームワークを提案する。 その結果,スケーラブルで効果的で攻撃に依存しないロバストなトレーニング手法に新たな光を当てた。
  論文  参考訳（メタデータ） (2020-12-22T00:45:24Z)
• Efficient Adversarial Training with Transferable Adversarial Examples [58.62766224452761]
  同じトレーニングプロセスにおいて、近隣のエポックからのモデル間で高い転送可能性があることが示される。 本稿では,ATTA(Adversarial Training with Transferable Adversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2019-12-27T03:05:05Z)

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。