論文の概要: A Gradient based Adversarial Augmentation Framework for Mitigating Unlearnable Datasets

• arxiv url: http://arxiv.org/abs/2610.38173v1
• Date: Wed, 28 Oct 2026 02:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.360487
• Title: A Gradient based Adversarial Augmentation Framework for Mitigating Unlearnable Datasets
• Title（参考訳）: ゆるやかなデータセットの緩和のためのグラディエントベースの逆数拡張フレームワーク
• Abstract要約: Unlearnable Data Method (ULD) は、公開データを不正なモデルトレーニングから保護する。 technameは、ULDメソッドを効果的かつ対向的に拡張するフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.4660854218193682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlearnable data methods (ULD) protect public data from unauthorized model training by adding imperceptible perturbations that create a learning shortcut. A deep neural network can exploit the shortcut learning path to minimize training loss without learning generalizable features. Intuitively, finding adversarial versions of perturbed images that can substantially increase the model's loss can force the model to learn generalizable features. Existing data augmentation based attacks rely on heuristic search strategies/random sampling over a curated augmentation set to identify adversarial augmentation operations, an approach that often does not scale when the number of candidate operations is large. To address the challenge of a large search space, we propose {\techname}, a gradient based adversarial augmentation framework that learns an augmentation policy via stochastic gradient ascent. {\techname} leverages a differentiable data augmentation pipeline to efficiently search a set of up to 18 augmentation techniques, from which a grid search selects a protection-specific subset. The augmentation subset is trained to maximize a surrogate model's classification loss. We introduce a perceptual-plus-pixel regularization to learn operation parameters that preserve image semantics. Under a controlled ablation, {\techname} consistently outperforms an equivalent random sampling baseline (80.0\% vs. 77.29\% clean test accuracy on EMIN-protected CIFAR-10 for ResNet-18 and 83.28\% vs. 66.45\% on NTGA-protected CIFAR-10 for MobileNet-V2), demonstrating that gradient guidance drives the clean test accuracy recoverability rather than the expanded search space. {\techname} offers an effective and scalable adversarial augmentation framework for stress-testing ULD methods, a critical tool for developing robust ULD methods.
• Abstract（参考訳）: Unlearnable Data Method (ULD)は、学習ショートカットを生成する知覚不能な摂動を追加することで、許可されていないモデルトレーニングから公開データを保護します。 ディープニューラルネットワークは、ショートカット学習経路を利用して、一般化可能な特徴を学習することなく、トレーニング損失を最小限にすることができる。 直感的には、モデルの損失を大幅に増大させることができる摂動画像の逆バージョンを見つけることは、モデルを一般化可能な特徴を学習させなければならない。 既存のデータ拡張ベースの攻撃は、敵の増大操作を識別するキュレートされた拡張セットに対するヒューリスティックな探索戦略/ランダムサンプリングに依存している。 大規模探索空間の課題に対処するために,確率的勾配法による拡張政策を学習する勾配に基づく対角拡張フレームワークである {\techname} を提案する。 {\techname}は、識別可能なデータ拡張パイプラインを活用して、最大18の拡張テクニックセットを効率的に検索し、グリッド検索が保護固有のサブセットを選択する。 拡張サブセットは、代理モデルの分類損失を最大化するために訓練される。 画像のセマンティクスを保存する操作パラメータを学習するために,知覚+画素正規化を導入する。 制御されたアブレーションの下で、 {\techname} は同等のランダムサンプリングベースライン(ResNet-18ではEMINで保護されたCIFAR-10、MobileNet-V2ではNTGAで保護されたCIFAR-10で83.28\%、MobileNet-V2では66.45\%)を一貫して上回り、勾配誘導が検索空間の拡張よりもクリーンなテスト精度の回復性を促進することを示した。 {\techname} は、堅牢な ULD メソッドを開発する上で重要なツールであるストレステスト ULD メソッドのための、効果的でスケーラブルな対向的拡張フレームワークを提供する。

関連論文リスト

• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Does DetectGPT Fully Utilize Perturbation? Bridging Selective Perturbation to Fine-tuned Contrastive Learning Detector would be Better [21.901523394933076]
  選択的摂動の対照的な学習により,新しい微調整検出器Pecolaを提案する。 実験の結果、ペコラは4つの公開データセットで平均1.20%の精度で最先端のSOTA(State-of-the-art)を上回っている。
  論文  参考訳（メタデータ） (2024-02-01T01:23:07Z)
• Detection and Mitigation of Byzantine Attacks in Distributed Training [24.951227624475443]
  ワーカノードの異常なビザンチン挙動は、トレーニングを脱線させ、推論の品質を損なう可能性がある。 最近の研究は、幅広い攻撃モデルを検討し、歪んだ勾配を補正するために頑健な集約と/または計算冗長性を探究している。 本研究では、強力な攻撃モデルについて検討する:$q$ omniscient adversaries with full knowledge of the defense protocol that can change from iteration to iteration to weak one: $q$ randomly selected adversaries with limited collusion abilities。
  論文  参考訳（メタデータ） (2022-08-17T05:49:52Z)
• One-shot Neural Backdoor Erasing via Adversarial Weight Masking [8.345632941376673]
  Adversarial Weight Masking (AWM)は、ワンショット設定でも神経バックドアを消去できる新しい方法である。 AWMは、さまざまな利用可能なトレーニングデータセットサイズに対する他の最先端メソッドに対する浄化効果を大幅に改善することができる。
  論文  参考訳（メタデータ） (2022-07-10T16:18:39Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via Adversarial Fine-tuning [90.44219200633286]
  我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。 実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-25T20:50:15Z)

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。