論文の概要: Validation-Guided Prompt Selection for Differential Morphing Attack Detection
- arxiv url: http://arxiv.org/abs/2611.17176v1
- Date: Thu, 12 Nov 2026 17:46:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.575682
- Title: Validation-Guided Prompt Selection for Differential Morphing Attack Detection
- Title(参考訳): ディファレンシャルモーフィング検出のためのバリデーションガイドによるプロンプト選択
- Abstract要約: ディファレンシャルモーフィング攻撃検出(D-MAD)は、信頼されたライブキャプチャと、顔形態を含む可能性のある文書画像を比較する。
ラベル付き検証データにより、モデル微調整ではなく、迅速な選択により、凍結パラメータの視覚言語評価を改善できるかどうかを検討する。
- 参考スコア(独自算出の注目度): 9.671027672376448
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential morphing attack detection (D-MAD) compares a trusted live capture with a document image that may contain a facial morph. We investigate whether labelled validation data can improve a frozen-parameter vision-language evaluator through prompt selection rather than model fine-tuning. Version~1 generates 50 candidate prompts and selects the top-ranked instruction using a security-oriented loss that prioritises missed morph attacks (MACER) while accounting for bona fide classification errors (BSCER), response failures, parse failures, and decision inconsistency. Version~2 recursively revises prompts using aggregate validation feedback. On a subject-disjoint test set of 160 pairs spanning LMA, MIPGAN-2, and PIPE, the selected Version~1 prompt achieves a (19.17\%) morph attack classification error rate (MACER), with (0.00\%) observed bona fide sample classification error rate (BSCER), compared with (70.00\%) MACER for a controlled manual prompt. The paired (50.83) percentage-point difference has a (95\%) subject-bootstrap interval of ([43.33,58.33]). Recursive revision does not surpass the best Generation~0 validation loss; the reported revised descendant obtains (31.67\%) test MACER. All 23 attacks missed by Version~1 are landmark-based (LMA) morphs. Overall, the results show that prompt formulation can substantially influence frozen-parameter VLM-based D-MAD performance, while also highlighting the challenge of recursive prompt refinement under a compact 10-subject validation setting.
- Abstract(参考訳): ディファレンシャルモーフィング攻撃検出(D-MAD)は、信頼されたライブキャプチャと、顔形態を含む可能性のある文書画像を比較する。
ラベル付き検証データにより、モデル微調整ではなく、迅速な選択により、凍結パラメータの視覚言語評価を改善できるかどうかを検討する。
Version~1は50の候補プロンプトを生成し、セキュリティ指向の損失を使用してトップランクの命令を選択する。
Version~2は、アグリゲートバリデーションフィードバックを使用してプロンプトを再帰的に更新する。
LMA、MIPGAN-2、PIPEにまたがる160対の被験者結合テストセットにおいて、選択されたバージョン~1のプロンプトは(19.17\%)モルフィック攻撃分類誤り率(MACER)、(0.00\%)観察されたボナファイドサンプル分類誤り率(BSCER)を制御マニュアルプロンプトで(70.00\%)MACERと比較する。
対(50.83)のパーセンテージポイント差は、[43.33,58.33]の被写体ブートストラップ間隔(95.%)を有する。
再帰的なリビジョンは、最高のジェネレーション〜0のバリデーション損失を超えず、報告された更新された子孫は、テストMACER(31.67\%)を取得する。
バージョン~1で見逃された23の攻撃はすべてランドマークベース(LMA)形態である。
その結果, 急速定式化は, 凍結パラメータVLMに基づくD-MAD性能に大きく影響しうるとともに, コンパクトな10オブジェクト検証環境下での再帰的プロンプト改善の課題も浮き彫りにした。
関連論文リスト
- When Morphs Look Better: Face Image Quality as a Training-Free Signal for Morphing Attack Detection [5.497745780154633]
顔画像品質評価(FIQA)は、顔認識のための顔画像の有用性を推定する。
2つのデータセットから20個のモーフィング攻撃セットに対して、現在のFIQAカテゴリから17個のFIQA手法を評価する。
論文 参考訳(メタデータ) (2026-10-15T19:36:06Z) - From Spectral Saliency to Finite Deletion: Evaluating Selective Language Model Edits [1.2891210250935148]
特異コンポーネントの削除は、言語モデルから機能を取り除くための正確な方法を提供するが、コンポーネントのランク付けに使用される1階のスペクトルサリエンシは、局所的な損失変化のみを予測する。
本研究では,予測誤差が選択的編集にどう影響するかを検討した。
論文 参考訳(メタデータ) (2026-10-13T10:14:37Z) - Drafting Agents, Not Just Tokens: Speculative Recursive Self-Improvement for Agentic Systems [58.89141999692635]
提案するSpeculative Recursive Self-Improvement(SpecRSI)は,前任者が十分に評価される前に,実行可能な後継エージェントをドラフトする。
VATSは、予測された継続の返却を使って、さらなる編集と優れたチェックの間に予算を割り当てる。
グループ検証最適化(GVO)は、実際の評価器を固定しながら、完了した探索から改善器を学習する。
論文 参考訳(メタデータ) (2026-10-12T09:43:48Z) - An Agentic Approach with Evidence-Grounded Verification for Multimodal Emotion Reasoning in Conversation [0.11458853556386794]
トレーサブルなマルチモーダル感情推論と即時空間適応のためのフレームワークを開発する。
モダリティ特異的認知エージェントは、視覚的、音響的、語彙的な入力を分析し、証拠に刺激された観察を共有ボードにポストする。
誤った予測のために、別個のエビデンスに基づく検証段階は、引用されたエビデンスと参照が有効であることを検証するために決定論的チェックを施し、最終クレームがそのエビデンスによって支持されているかどうかを判断するための細かなチェックを施す。
論文 参考訳(メタデータ) (2026-10-03T23:36:10Z) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳(メタデータ) (2026-09-29T17:49:07Z) - Option-Aware Retrieval and Task-Specific VLM Adaptation for Medical VQA [0.0611737116137921]
We describe our submit to the MedReason 2026 Challenge, covered multiple-choice (MCQ) and open-ended (OE) medical visual questioning (VQA)。
我々の最初の発見は、MCQ検索は、回答ラベルよりも回答表現を比較すべきであるということです。
タスク固有のMCQ Low-Rank Adaptation (LoRA) アダプタを固定し、オンプロンプト検索した例の数(k)を少なくとも1ケースで変更する。
論文 参考訳(メタデータ) (2026-09-14T13:17:42Z) - CUSUM-Shaped Inference-Time Monitoring and Targeted Re-Decoding for Quantized Small Language Model Reasoning [0.6999740786886536]
MGT-Bは、事前サンプリングの不確かさと変性の特徴の重なり合う窓を、位置条件による経験的尾の確率にマップする。
ログしきい値h=10のマニュアル選択後に最初に観察された問題同一性に対して,その効果が持続するかどうかを検証した。
どちらの分析も確証がなく、実証的要因は有効な電子プロセスや電子検出器として確立されていない。
論文 参考訳(メタデータ) (2026-07-22T13:34:17Z) - TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。
ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
論文 参考訳(メタデータ) (2026-05-17T18:07:08Z) - Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。
MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。
我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
論文 参考訳(メタデータ) (2023-10-18T11:36:42Z) - Certified Error Control of Candidate Set Pruning for Two-Stage Relevance
Ranking [57.42241521034744]
本稿では、妥当性ランキングのための候補セットプルーニングの認証エラー制御の概念を提案する。
提案手法は,第1段階から抽出した候補集合を抽出し,第2段階の復位速度を向上する。
論文 参考訳(メタデータ) (2022-05-19T16:00:13Z)
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。