論文の概要: Should We Pay This Much for Robustness? Efficient Proxy Certificates with Marginal Guarantees

• arxiv url: http://arxiv.org/abs/2611.08035v1
• Date: Thu, 05 Nov 2026 13:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.526384
• Title: Should We Pay This Much for Robustness? Efficient Proxy Certificates with Marginal Guarantees
• Title（参考訳）: 身代金は高額か? 妊婦の身代金は有効か?
• Abstract要約: 本稿では,認証を安価なプロキシ関数に委譲するフレームワークを提案する。 我々は、厳密なコンフォメーションリスク制御を通じてプロキシを調整し、境界付き限界偽承認率を保証します。 単サンプルおよびサンプル重度キャリブレーションのレシピを提供する。
• 参考スコア（独自算出の注目度）: 58.171138746381395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern classifiers remain sensitive to small input perturbations, while strong model-agnostic robustness certificates such as randomized smoothing are often too expensive for deployment, requiring an extensive number (e.g. 2000) of model forward passes per input. We propose a framework that delegates certification to a cheap proxy function while statistically controlling its deviation from the original sound certificate. Given an exchangeable unlabeled calibration set, we tune the proxy via robust conformal risk control to guarantee a bounded marginal (rather than pointwise) false-approval rate: the probability, over future inputs, that the proxy accepts an input whose prediction is flipped due to perturbation. The resulting proxy certificate can be used either as a standalone marginal certificate or as a fallback mechanism that invokes the expensive certificate only when the proxy rejects. We provide both single-sample and sample-heavy calibration recipes. Empirically, as a standalone certificate our method reduces the test-time certification cost to a single model forward while retaining much of the certified performance of randomized smoothing at small radii, and as a fallback it recovers the certified ratio of randomized smoothing at a more modest speedup. This enables cheap yet effective robustness guarantees for larger architectures such as vision transformers and language models.
• Abstract（参考訳）: 現代の分類器は小さな入力の摂動に敏感であり、ランダム化スムーシングのような強力なモデル非依存の堅牢性証明は、しばしば配置に高すぎるため、入力1回あたりのモデルフォワードパスの膨大な数 (eg 2000) を必要とする。 本稿では,従来の音響認証から逸脱を統計的に制御しながら,認証を安価なプロキシ関数に委譲するフレームワークを提案する。 交換可能な未ラベルキャリブレーションセットが与えられた場合、我々は頑健なコンフォメーションリスク制御によってプロキシを調整し、(ポイントワイドではなく)有界な境界値の偽認証レートを保証する: 将来的な入力の確率は、プロキシが摂動によって予測が反転した入力を受け入れる。 結果として得られるプロキシ証明書は、スタンドアロンの限界証明書として、あるいはプロキシが拒否した場合のみ、高価な証明書を呼び出すフォールバックメカニズムとして使用することができる。 単サンプルおよびサンプル重度キャリブレーションのレシピを提供する。 実証的手法として,本手法は,小半径でのランダム化平滑化の認定性能の多くを保ちながら,テストタイムの認証コストを1モデルに短縮し,さらにフォールバックとして,より控えめなスピードアップでランダム化平滑化の認定率を回復する。 これにより、視覚変換器や言語モデルといったより大きなアーキテクチャに対して、安価で効果的な堅牢性を保証することができる。

関連論文リスト

• CertMoE: Robustness Certification for Mixture-of-Experts LLMs via Routing-Aware Smoothing [50.77807239365757]
  確率的堅牢性は、敵の摂動下でのモデル予測を保証することを目的として、信頼できる機械学習の基盤となる。 本稿では,MoE大言語モデルのための最初のルーティング対応認証フレームワークであるtextscCertMoEについて述べる。
  論文  参考訳（メタデータ） (2026-10-21T08:25:15Z)
• Best-Arm Identification with Generative Proxy [10.674965991983974]
  固定信頼度ベストアーム識別法について検討し,各報酬の引き分けを,安価だが相関の取れたプロキシスコアと組み合わせて検討した。 本稿では,最小二乗法に適合する残差の上限値を維持する位相除去アルゴリズム PROBE を提案する。 我々は PROBE が$-PAC であり、一定の乗算係数と一定の加法キャリブレーションコストまで、既知の相関オラクルサンプルの複雑さが得られることを証明した。
  論文  参考訳（メタデータ） (2026-07-08T00:41:43Z)
• Higher-Order Certified Robustness for Regression [8.948785997740378]
  本稿では,ロバスト・レグレッションを認定するための新しいフレームワークを提案する。 我々は、スムーズなモデルの予測の安定性を保証する予測中心の証明書を導出する。 特に、勾配情報を利用するMNIST回転タスクでは、ロバスト性証明が著しく厳格になることを示す。
  論文  参考訳（メタデータ） (2026-07-06T18:17:13Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• Multichannel Steganography: A Provably Secure Hybrid Steganographic Model for Secure Communication [0.0]
  Secret-seeded PRNGは軽量なMarkovチェーンジェネレータを駆動し、文脈的に妥当なカバーパラメータを生成する。 マスケビットベクターは、分散を意識した最小有意ビットアルゴリズムにより、従来のメディアに受容不能に埋め込まれる。 我々は,マルチチャネルの敵モデル (MC-ATTACK) を定式化し,標準的なセキュリティ仮定の下では,敵の識別上の優位性は無視可能であることを示す。
  論文  参考訳（メタデータ） (2025-01-08T13:58:07Z)
• Incremental Randomized Smoothing Certification [5.971462597321995]
  ごく少数のサンプルで近似モデルの認証を行うために、元のスムーズなモデルに対する認証保証を再利用する方法を示す。 提案手法の有効性を実験的に実証し,スクラッチから近似モデルのランダムな平滑化を適用した認証に対して,最大3倍の認証スピードアップを示す。
  論文  参考訳（メタデータ） (2023-05-31T03:11:15Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)
• Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
  本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
  論文  参考訳（メタデータ） (2021-12-21T12:16:03Z)

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。