論文の概要: Natural Jammers: When Non-Robust Features Become Antagonistic

• arxiv url: http://arxiv.org/abs/2610.34785v1
• Date: Mon, 26 Oct 2026 03:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.721366
• Title: Natural Jammers: When Non-Robust Features Become Antagonistic
• Title（参考訳）: Natural Jammers: 非ロバストな機能がアンチタゴニストになるとき
• Abstract要約: 非ローバストなキューがNatural Jammersとして機能し、クリーンで修正されていない画像の標準モデルを積極的に誤解させることを示す。 周波数成分が特定の空間構造に正確に整合している場合にのみジャミングが発生する。 この結果から, 実験モデル-データ幾何上の故障場として, 自然の非破壊性について再検討した。
• 参考スコア（独自算出の注目度）: 28.016742106936572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks are known to rely on non-robust features that align poorly with human perception. Prior work has largely framed these features as opportunistic shortcuts that help standard models on clean data. We show instead that non-robust cues can be antagonistic: they can act as Natural Jammers that actively mislead standard models on clean, unmodified images. Using disagreement between a standard model and robust models as an analysis lens, we identify a Jammed Set on which robust models outperform standard models. We provide causal evidence for Spectral-spatial Locking: jamming arises only when high-frequency components are precisely aligned with specific spatial structures. Disrupting this lock through spectral filtering or small geometric shifts can restore correct predictions. Crucially, we uncover a Substitution Paradox: while individual jammers are fragile to geometric shifts, the aggregate prevalence of jamming remains approximately stable and is redistributed rather than eliminated under such transformations. Our results reframe natural non-robustness as a failure field over the empirical model-data geometry: one that redistributes rather than disappears under small transformations.
• Abstract（参考訳）: ディープニューラルネットワークは、人間の知覚と不一致な非破壊的な特徴に依存していることが知られている。 これまでの作業は、これらの機能を、クリーンなデータの標準モデルを支援する機会論的ショートカットとして、大半を占めていた。 彼らは、クリーンで修正されていない画像の標準モデルを積極的に誤解させるNatural Jammersとして振る舞うことができます。 標準モデルとロバストモデルとの相違を解析レンズとして用いて、ロバストモデルが標準モデルより優れるジャムセットを同定する。 周波数成分が特定の空間構造に正確に整合している場合にのみジャミングが発生する。 このロックをスペクトルフィルタリングや小さな幾何シフトで破壊することは、正しい予測を復元することができる。 個々のジャマーは幾何シフトに対して脆弱であるが、ジャミングの集合的頻度は概ね安定であり、そのような変換の下で排除されるよりむしろ再配布される。 我々の結果は、自然の非破壊性を経験的モデルデータ幾何学上の失敗の場として再定義し、小さな変換の下で消えるのではなく、再分割するものである。

関連論文リスト

• Uncovering and Fixing Collider Bias in Bayesian PINNs [4.120378654253263]
  ベイズ物理学インフォームドニューラルネットワーク(B-PINN)は、スパースまたはノイズの観測からパラメータと状態推論を行う一般的なフレームワークである。 このモデル選択は,身体的パラメータよりも後方の系統的偏見を強く引き起こすことが示唆された。 本稿では,物理が軌道を生成する階層的連鎖モデルを提案する。
  論文  参考訳（メタデータ） (2026-10-08T11:31:19Z)
• MaDeL: Manifold-Decomposed Feature Losses for Generative Modeling [60.52920286643249]
  生成モデルは平均二乗誤差のような等方的目的によってしばしば訓練される。 しかし、低次元多様体の近くに集中したデータに対して、そのような損失は、有効変動を表す多様体に沿った変位と、それから逸脱し、無効なサンプルを生成する。 生成目的は、多様体を明示的に推定することなく、データから直接多様体-直交偏差から多様体-平行変動を区別できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-10-03T10:15:49Z)
• Exogenous Dropout: A Simple, Strong Baseline for Corruption-Robust Time Series Forecasting with Covariates [2.6904447021876297]
  堅牢性には特殊なアーキテクチャが必要か,あるいは簡単なトレーニング介入によって実現可能であるかを検討する。 電力価格予測,貯水池水理,気象学の分野では,ガウス雑音下でのロバスト性を大幅に改善する。 これは我々の実験でもっとも堅牢なモデルとなり、故意に強い束縛されたアーキテクチャ・ホイルを上回ります。
  論文  参考訳（メタデータ） (2026-07-05T15:59:15Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering [29.633206995806542]
  インタイムステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。 この構造には批判的かつ以前は形式化されていなかった障害モード(Marginal Path Collapse)がある。 本稿では,Feynman-Kac ステアリングを時間変化指数に拡張する Adaptive path Correction with Exponents (ACE) を提案する。
  論文  参考訳（メタデータ） (2025-12-11T06:44:08Z)
• CNS-Bench: Benchmarking Image Classifier Robustness Under Continuous Nuisance Shifts [78.79936076607373]
  我々は,連続ニュアンスシフトベンチマークであるCNS-Benchを導入し,連続かつ現実的なニュアンスシフトのための画像分類器の堅牢性を定量化する。 本稿では,従来の手法よりも優れたフィルタリング機構を提案し,生成モデルによる信頼性の高いベンチマークを可能にする。
  論文  参考訳（メタデータ） (2025-07-23T16:15:48Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Adversarial Transferability in Deep Denoising Models: Theoretical Insights and Robustness Enhancement via Out-of-Distribution Typical Set Sampling [6.189440665620872]
  深層学習に基づく画像認識モデルは優れた性能を示すが、ロバストネス分析の欠如は依然として重要な懸念点である。 主な問題は、これらのモデルが敵攻撃の影響を受けやすいことである。 本稿では,新たな対人防御手法であるOut-of-Distribution typical Set Smpling Training戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-08T13:47:57Z)

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。