🤖 machine learning

TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers

यह शोधपत्र TARO का प्रस्ताव करता है, जो एक ज़ीरो-शॉट इन्फरेंस-टाइम शुद्धिकरण विधि है जो सेमेंटिक विवरणों के संरक्षण के साथ अनुकूल हमलों (adaptive attacks) के विरुद्ध सुदृढ़ वैश्विक सुधार (robust global rectification) को संतुलित करने के लिए कई डिफ्यूजन नॉइज़ रिजीम से एक टेम्पोरली गाइडेड स्कोर प्रायर का लाभ उठाता है।

मूल लेखक: Daniel Wesego, Pedram Rooshenas

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel Wesego, Pedram Rooshenas

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान लेकिन आसानी से भ्रमित होने वाला सुरक्षा गार्ड (एक कंप्यूटर प्रोग्राम) है जो क्लब में आईडी चेक करता है। कोई व्यक्ति अपने दोस्त के आईडी कार्ड पर एक छोटा सा, लगभग अदृश्य स्टिकर लगाकर धोखा देने की कोशिश करता है। नंगी आंखों से देखने पर कार्ड सामान्य दिखता है, लेकिन वह स्टिकर गार्ड की आंखों को भ्रमित कर देता है, जिससे उसे लगता है कि दोस्त एक अजनबी है और वह उसे प्रवेश देने से मना कर देता है। यह वही होता है जो तब होता है जब "एडवर्सरियल अटैक्स" (adversarial attacks) एआई (AI) को बेवकूफ बनाते हैं।

इसे ठीक करने के लिए, शोधकर्ताओं ने "एडवर्सरियल प्यूरिफिकेशन" (adversarial purification) नामक एक विधि का उपयोग करने की कोशिश की है। इसे एक फोटो बूथ की तरह समझें जो उस चालाकी भरे आईडी कार्ड को लेता है, उसमें थोड़ा सा स्टैटिक नॉइज़ (static noise) जोड़ता है (जैसे टीवी को स्नोवी चैनल पर करना) और फिर उस शोर से एक साफ, स्पष्ट फोटो को पुनर्गठित करने की कोशिश करता है। विचार यह है कि स्टैटिक उस चालेबाज स्टिकर को धो देता है, और पुनर्गठन असली चेहरे को वापस ले आता है।

हालाँकि, पेपर एक समस्या की ओर इशारा करता है जो इस फोटो बूथ के साथ है। यदि आप बहुत अधिक स्टैटिक जोड़ते हैं, तो आप महत्वपूर्ण विवरण (जैसे व्यक्ति की आंखों का रंग) खो सकते हैं। यदि आप बहुत कम जोड़ते हैं, तो चालाकी भरा स्टिकर बच सकता है। यह एक कठिन संतुलन है।

एंटर TARO: द "टाइम-ट्रैवलिंग फोटो बूथ"

लेखक TARO (टेम्पोरल एडवर्सरियल रेक्टिफिकेशन ऑप्टिमाइजेशन) नामक एक नई विधि प्रस्तावित करते हैं। केवल एक सेटिंग का उपयोग करने के बजाय, TARO विशेषज्ञों की एक टीम का उपयोग करता है जो "सफाई" के विभिन्न चरणों में छवि को देखते हैं।

यहाँ TARO कैसे काम करता है, एक रचनात्मक उपमा का उपयोग करते हुए:

1. विशेषज्ञों की टीम (कोर्स बनाम फाइन)

कल्पना कीजिए कि आप एक बहुत पुरानी, क्षतिग्रस्त पेंटिंग को बहाल करने की कोशिश कर रहे हैं।

"कोर्स" विशेषज्ञ (हाई नॉइज़): यह विशेषज्ञ पेंटिंग को दूर से देखता है। वे बारीक ब्रशस्ट्रोक नहीं देख सकते, लेकिन वे बड़ी तस्वीर देखने में माहिर हैं: "यह निश्चित रूप से एक लैंडस्केप है, पोर्ट्रेट नहीं।" वे छोटे, नकली खरोंचों (एडवर्सरियल अटैक) को अनदेखा करने में बहुत अच्छे हैं क्योंकि दूर से वे खरोंचें रैंडम शोर जैसी दिखती हैं। हालाँकि, वे चेहरे के विशिष्ट विवरणों को मिस कर सकते हैं।
"फाइन" विशेषज्ञ (लो नॉइज़): यह विशेषज्ञ आवर्धक लेंस (magnifying glass) के साथ पेंटिंग को देखता है। वे आंखों और मुस्कान के विशिष्ट विवरण देख सकते हैं। लेकिन, क्योंकि वे इतने करीब हैं, वे गलती से कुछ नकली खरोंचों को भी रख सकते हैं, यह सोचकर कि वे कला का हिस्सा हैं।

2. जादुई संयोजन

पुराने तरीकों ने या तो केवल एक विशेषज्ञ को चुनने या उन्हें समान रूप से औसत करने की कोशिश की। TARO स्मार्ट है। यह एक ऑर्केस्ट्रा को निर्देशित करने वाले कंडक्टर की तरह कार्य करता है:

यह बड़ी, सुरक्षित संरचना को सही करने के लिए कोर्स विशेषज्ञ की बात सुनता है (यह सुनिश्चित करना कि छवि अभी भी एक "लैंडस्केप" है और "बिल्ली" नहीं)।
इसके बाद, यह छूटे हुए विवरणों को भरने के लिए फाइन विशेषज्ञ की बात सुनता है (यह सुनिश्चित करना कि चेहरा आपका चेहरा जैसा दिखे)।
यह इन दोनों दृश्यों को एक एकल, पूर्ण छवि में जोड़ देता है।

पेपर इसे "कोर्स-टू-फाइन" (coarse-to-fine) दृष्टिकोण कहता है। यह हमले को धोने के लिए "हाई नॉइज़" दृश्य का उपयोग करता है, और यह सुनिश्चित करने के लिए कि छवि धुंधली या गलत न दिखे कि "लो नॉइज़" दृश्य का उपयोग करता है।

3. "गाइडेंस स्ट्रेंथ" (वॉल्यूम नॉब)

TARO के पास एक विशेष नॉब है जिसे "गाइडेंस स्ट्रेंथ" कहा जाता है।

यदि हमला बहुत चालाकी भरा और तीखा (जैसे किसी विशिष्ट प्रकार का डिजिटल ग्लिच) है, तो सिस्टम "कोर्स विशेषज्ञ" पर अधिक भरोसा करने के लिए नॉब को घुमाता है ताकि उसे धोया जा सके।
यदि हमला धुंधला और फैला हुआ है, तो सिस्टम विवरणों को बहाल करने के लिए "फाइन विशेषज्ञ" पर अधिक भरोसा करने के लिए नॉब को घुमाता है।

यह बिना दोबारा प्रशिक्षित हुए विभिन्न प्रकार की चालों के अनुकूल होने की अनुमति देता है। यह "जीरो-शॉट" (zero-shot) काम करता है, जिसका अर्थ है कि यह अपने पास मौजूद ज्ञान का उपयोग करके तुरंत नए प्रकार के हमलों को संभाल सकता है।

4. यह क्यों मायने रखता है (परिणाम)

लेखकों ने TARO का परीक्षण कुछ बहुत कठिन "हैकर्स" (जिन्हें "एडैप्टिव अटैक्स" कहा जाता है) के खिलाफ किया है जो ठीक जानते हैं कि फोटो बूथ कैसे काम करता है और उसे धोखा देने की कोशिश करते हैं।

परिणाम: TARO पिछले तरीकों की तुलना में ट्रिक्स को हटाने में बहुत बेहतर था। इसने छवियों को प्राकृतिक बनाए रखा (उच्च "क्लीन एक्यूरेसी") और सफलतापूर्वक हैकर्स को रोका (उच्च "रोबस्ट एक्यूरेसी")।
कैच: इसे चलाने में थोड़ा अधिक समय लगता है क्योंकि इसे कई विशेषज्ञों की राय लेनी पड़ती है और उन्हें मिलाना पड़ता है। लेकिन पेपर का तर्क है कि सुरक्षा के लिए यह अतिरिक्त समय देने योग्य है।

5. "नकली सुरक्षा" के बारे में एक चेतावनी

पेपर में परीक्षण करने के तरीके के बारे में एक बहुत ही महत्वपूर्ण नोट भी शामिल है।
कभी-कभी, शोधकर्ता एक डिफेंस का परीक्षण करने के लिए हैकर को पूरी प्रक्रिया देखे बिना उत्तर का अनुमान लगाने के लिए कहते हैं। यह एक ताले का परीक्षण करने जैसा है जैसे किसी को चाबी का उपयोग किए बिना कॉम्बिनेशन का अनुमान लगाने के लिए कहना।
लेखक बताते हैं कि यदि आप पूरी प्रक्रिया (छवि को साफ करने में लगने वाले समय सहित) को नहीं देखते हैं, तो आप सोच सकते हैं कि एक डिफेंस 100% सुरक्षित है जबकि वास्तव में वह कमजोर है। वे जोर देते हैं कि यह जानने के लिए कि क्या कोई डिफेंस वास्तव में मजबूत है, आपको इसे "फुल व्यू" अटैक के साथ टेस्ट करना होगा जो सफाई के हर चरण को देखता है।

सारांश में:
TARO चालाकी भरे AI इमेजेस को साफ करने का एक स्मार्ट तरीका है। केवल एक "क्लीनिंग" स्टेप का उपयोग करने के बजाय, यह विशेषज्ञों की एक टीम का उपयोग करता है जो अलग-अलग दूरियों (नॉइज़ लेवल) से छवि को देखते हैं ताकि वे इस बात पर सहमत हो सकें कि वास्तविक छवि कैसी दिखनी चाहिए। यह हैकर्स के लिए सिस्टम को बेवकूफ बनाना बहुत कठिन बनाता है, जबकि छवियों को जीवंत बनाए रखता है।

तकनीकी सारांश: TARO – टेम्पोरल एडवर्सरियल रेक्टिफिकेशन ऑप्टिमाइज़ेशन (Temporal Adversarial Rectification Optimization)

समस्या विवरण

डीप न्यूरल नेटवर्क अभी भी एडवर्सरियल उदाहरणों (adversarial examples) के प्रति संवेदनशील बने हुए हैं, जहाँ सूक्ष्म परिवर्तन (imperceptible perturbations) त्रुटिपूर्ण भविष्यवाणियों को प्रेरित करते हैं। जबकि एडवर्सरियल ट्रेनिंग एक प्रमुख रक्षा पद्धति है, यह उच्च प्रशिक्षण लागत, उपयोग किए गए परटर्बेशन परिवार की विशिष्टता, और क्लीन एक्यूरेसी (clean accuracy) एवं रोबस्टनेस (robustness) के बीच ट्रेड-ऑफ से ग्रस्त है। फलस्वरूप, एडवर्सरियल प्यूरिफिकेशन (adversarial purification) एक इन्फरेंस-टाइम रक्षा रणनीति के रूप में उभरा है, जिसका लक्ष्य संभावित रूप से एडवर्सरियल इनपुट को वर्गीकरण से पहले प्राकृतिक छवि मैनिफोल्ड (natural image manifold) की ओर मैप करना है।

मानक डिफ्यूजन-आधारित प्यूरिफिकेशन विधियाँ गैसियन नॉइज़ (Gaussian noise) इंजेक्ट करती हैं ताकि एडवर्सरियल संरचनाओं को कम किया जा सके और डिफ्यूजन प्रक्रिया के रिवर्स प्रोसेस के माध्यम से छवि का पुनर्निर्माण किया जा सके। हालाँकि, ये विधियाँ एक अंतर्निहित रोबस्टनेस-फिडेलिटी टेंशन (robustness–fidelity tension) का सामना करती हैं:

लो-नॉइज़ डिनोइजिंग (Low-noise denoising): स्थानीय छवि सामग्री को सुरक्षित रखती है लेकिन एडवर्सरियल आर्टिफ़ेक्ट्स को बनाए रख सकती है।
हाई-नॉइज़ डिनोइजिंग (High-noise denoising): मजबूत परटर्बेशन्स को दबा देती है लेकिन क्लास-संबंधित विवरणों को खोने या गलत सिमेंटिक मोड्स की ओर जाने का जोखिम उठाती है।

हालिया मूल्यांकन संकेत देते हैं कि स्टोकेस्टिक प्यूरिफिकेशन के दावे अक्सर अतिरंजित होते हैं जब हमले प्यूरिफिकेशन प्रक्रिया के माध्यम से डिफरेंशिएट (differentiate) करने में विफल रहते हैं या स्टोकेस्टिसिटीिटी (stochasticity) को ध्यान में नहीं रखते हैं। इसके अतिरिक्त, मौजूदा टेस्ट-टाइम ऑप्टिमाइज़ेशन विधियाँ आमतौर पर प्रत्येक अपडेट पर एक सिंगल डिफ्यूजन नॉइज़ रिजीम (single diffusion noise regime) पर निर्भर करती हैं, जिससे मल्टी-स्केल जानकारी एक एकल स्थानीय अनुमान में सिमट जाती है। इसके अलावा, एडवर्सरी-अवेयर वेरिएंट्स के लिए विशिष्ट अटैक डिस्ट्रीब्यूशन पर प्रशिक्षित सहायक परटर्बेशन मॉडल की आवश्यकता होती है, जो उनकी सामान्यीकरण क्षमता (generalizability) को सीमित करता है।

कार्यप्रणाली: TARO

लेखक टेम्पोरल एडवर्सरियल रेक्टिफिकेशन ऑप्टिमाइज़ेशन (TARO) प्रस्तावित करते हैं, जो एक टेस्ट-टाइम प्यूरिफिकेशन फ्रेमवर्क है जो डिफ्यूजन टाइमस्टेप्स को स्केल-डिपेंडेंट डिनोइजिंग एक्सपर्ट्स के रूप में मानता है। केवल एक नॉइज़ लेवल पर निर्भर रहने के बजाय, TARO डिफ्यूजन ट्राजेक्टरी के साथ कई डिनोइजिंग व्यूज को एकत्रित करके एक टेम्पोरल गाइडेड स्कोर प्रायर (temporally guided score prior) का निर्माण करता है।

मुख्य तंत्र: एफ़ाइन टेम्पोरल एग्रीगेशन (Affine Temporal Aggregation)

TARO कई नॉइज़ एक्सपर्ट्स के आउटपुट्स को संयोजित करके एक कोर्स-टू-फाइन रेसिडुअल टारगेट (coarse-to-fine residual target) तैयार करता है:

टेम्पोरल प्रोडक्ट-ऑफ-एक्सपर्ट्स (PoE): यह विधि एक निरंतर-समय प्रायर (continuous-time prior) को परिभाषित करती है जहाँ लॉग-डेंसिटी विभिन्न टाइमस्टेप्स के माध्यम से डिफ्यूजन-प्रेरित डिस्ट्रीब्यूशन का एक वेटेड इंटीग्रल है।
एफ़ाइन एक्सट्रपलेशन (Affine Extrapolation): मानक PoE के विपरीत, जिसमें गैर-ऋणात्मक वेट्स (कॉन्वेक्स इंटरपोलेशन) की आवश्यकता होती है, TARO एफ़ाइन एग्रीगेशन की अनुमति देता है जहाँ वेट्स एक होने के बावजूद ऋणात्मक हो सकते हैं। यह विधि को मानक इंटरपोलेशन से परे कोर्स-टू-फाइन करेक्शन करने में सक्षम बनाता है।
टारगेट कंस्ट्रक्शन: टारगेट इमेज $x_{target}$ $x_{t a r g e t}$ को इस प्रकार बनाया जाता है:
$x_{target} = u_K + \sum_{j=1}^{K-1} \gamma^{K-j}(u_j - u_{j+1})$
जहाँ $u_j$ $u_{j}$ एक विशिष्ट नॉइज़ रिजीम (एक्सपर्ट) से डिनोइज्ड आउटपुट का प्रतिनिधित्व करता है।
- हाई-नॉइज़ एक्सपर्ट्स ( $u_K$ ): वैश्विक रूप से स्मूथ स्ट्रक्चर प्रदान करते हैं, जिससे नाजुक एडवर्सरियल घटकों के प्रति संवेदनशीलता कम हो जाती है।
- लो-नॉइज़ एक्सपर्ट्स ( $u_j$ ): छवि-विशिष्ट, क्लास-संबंधित विवरणों को बहाल करते हैं।
- गाइडेंस स्ट्रेंथ ( $\gamma$ ): संतुलन को नियंत्रित करता है। जब $\gamma > 1$ होता है, तो विधि एक गाइडेंस-स्टाइल एक्सट्रपलेशन करती है, जो फाइन और कोर्स एक्सपर्ट्स के बीच के अंतर द्वारा परिभाषित करेक्शन दिशा को बढ़ा देती है।

ऑप्टिमाइज़ेशन और रेगुलराइजेशन

ऑप्टिमाइज़ेशन: TARO इनपुट को फिक्स्ड-टारगेट लॉस $\|sg(x_{target}) - x_i\|^2_2$ को मिनिमाइज़ करके अपडेट करता है, जहाँ $sg(\cdot)$ एक स्टॉप-ग्रेडिएंट ऑपरेशन है जो टारगेट को अपडेट के दौरान फिक्स्ड मानता है।
एक्सपर्ट कंसिस्टेंसी रेगुलराइजेशन: एम्प्लीफाइड टेम्पोरल करेक्शन को स्थिर करने के लिए (विशेष रूप से $\ell_2$ हमलों के लिए जहाँ क्रॉस-टाइमस्टेप रेसिड्यूल्स अस्थिर हो सकते हैं), TARO एक कंसिस्टेंसी लॉस $L_{cons} = \sum_{i<j} \|u_i - u_j\|^2_2$ पेश करता है। यह टेम्पोरल एक्सपर्ट्स को शुद्ध अनुमान पर सहमत होने के लिए प्रोत्साहित करता है।
हाइब्रिड वेरिएंट (TARO-AA): TARO को एडवर्सरी-अवेयर लाइकलीहुड मॉडल्स (जैसे, AAOpt) के पूरक के रूप में डिज़ाइन किया गया है। हाइब्रिड वेरिएंट AAOpt में सिंगल-स्केल डिफ्यूजन प्रायर को TARO के टेम्पोरल कंसेंसस प्रायर से बदल देता है, जो बाहरी सीखे गए रेसिडुअल मॉडल्स के साथ आंतरिक टेम्पोरल रेक्टिफिकेशन को जोड़ता है।

मूल्यांकन प्रोटोकॉल

पेपर ऑप्टिमाइज़ेशन-अवेयर इवैल्यूएशन की आवश्यकता पर जोर देता है। चूंकि TARO में एक इनर ऑप्टिमाइज़ेशन लूप शामिल है, इसलिए हमलों को:

पूरे प्यूरीफायर-क्लासिफायर कंपोजिशन को टारगेट करना चाहिए।
ट्रांसफॉर्मेशन पर एक्सपेक्टेशन (Expectation over Transformation - EOT) के माध्यम से स्टोकेस्टिसिटीिटी को ध्यान में रखना चाहिए।
इनर ऑप्टिमाइज़ेशन लूप के माध्यम से उच्च-क्रम ग्रेडिएंट्स (higher-order gradients) (ग्राफ-कंसिस्टेंट डिफरेंशिएशन) को संरक्षित करना चाहिए। लेखक प्रदर्शित करते हैं कि ऐसा करने में विफल रहने से ग्रेडिएंट मास्किंग के कारण रोबस्टनेस के अनुमान अत्यधिक बढ़-चढ़कर दिखाए जाते हैं।

मुख्य योगदान

TARO फ्रेमवर्क: एक टेस्ट-टाइम प्यूरीफायर का परिचय जो मल्टी-स्केल डिफ्यूजन नॉइज़ रिजीम्स को एक एफ़ाइन कोर्स-टू-फाइन डिनोइजिंग टारगेट में एकत्रित करता है, जो प्रभावी रूप से रोबस्ट ग्लोबल स्ट्रक्चर को फाइन-स्केल सिमेंटिक प्रिजर्वेशन के साथ जोड़ता है।
सैद्धांतिक व्याख्या: TARO को टेम्पोरल प्रोडक्ट-ऑफ-एक्सपर्ट्स एग्रीगेशन के एक एफ़ाइन एक्सटेंशन के रूप में व्याख्यायित करना, जो रिस्क और लोकल गौसियन इंटरप्रिटेशन प्रदान करता है जो गाइडेंस स्ट्रेंथ $\gamma$ की भूमिका को समझाता है।
व्यापक मूल्यांकन: PGD-EOT, BPDA-EOT, AutoAttack-EOT, और DiffBreak जैसे मजबूत एडैप्टिव हमलों के तहत मूल्यांकन। अध्ययन दर्शाता है कि TARO ज़ीरो-शॉट $\ell_\infty$ रोबस्टनेस में सुधार करता है और एडवर्सरी-अवेयर लाइकलीहुड्स या कंसिस्टेंसी रेगुलराइजेशन के साथ मिलकर रोबस्टनेस को और बढ़ाता है।
इवैल्यूएशन प्रोटोकॉल स्टडी: एक महत्वपूर्ण विश्लेषण जो दिखाता है कि ऑप्टिमाइज़ेशन-बेस्ड प्यूरीफायर्स के विश्वसनीय एडैप्टिव मूल्यांकन के लिए उच्च-क्रम ग्रेडिएंट्स को संरक्षित करना आवश्यक है, जो क्षेत्र में पिछले ओवरएस्टिमेटेड रोबस्टनेस को ठीक करता है।

प्रयोगात्मक परिणाम

प्रयोग CIFAR-10, CIFAR-100, CIFAR-10-C, और Imagenette पर WRN-28-10 और WRN-70-16 क्लासिफायर का उपयोग करके किए गए।

$\ell_\infty$ रोबस्टनेस: TARO प्यूरिफिकेशन विधियों के बीच स्टेट-ऑफ-द-आर्ट रोबस्टनेस प्राप्त करता है। PGD-EOT के तहत CIFAR-10 (WRN-28-10 के साथ) पर, TARO-3 88.57% रोबस्ट एक्यूरेसी प्राप्त करता है, जो AAOpt (85.12%) से बेहतर है और उच्च क्लीन एक्यूरेसी (~93.45%) बनाए रखता है।
$\ell_2$ रोबस्टनेस: रॉ ज़ीरो-शॉट TARO, $\ell_2$ हमलों के खिलाफ कमजोर है। हालांकि, कंसिस्टेंसी रेगुलराइजेशन या एडवर्सरी-अवेयर लाइकलीहुड (TARO-AA) जोड़ने से प्रदर्शन में काफी सुधार होता है। TARO-2 + कंसिस्टेंसी 88.99% रोबस्ट एक्यूरेसी प्राप्त करता है, जो AAOpt (86.40%) से बेहतर है।
DiffBreak हमले: DiffBreak लो-फ्रीक्वेंसी हमले के तहत, मानक डिफ्यूजन प्यूरीफायर 0.0% रोबस्ट एक्यूरेसी पर गिर जाते हैं। TARO-2-AA 90.10% रोबस्ट एक्यूरेसी बनाए रखता है, जो AAOpt (85.41%) से काफी बेहतर है।
ट्रांसफेरेबिलिटी: TARO Imagenette डेटासेट और ट्रांसफर-DiffBreak सेटिंग्स में भी प्रभावी रहता है।
एब्लेशन (Ablations):
- गाइडेंस स्ट्रेंथ ( $\gamma$ ): अनुकूलतम $\gamma$ हमले के प्रकार के अनुसार भिन्न होता है (जैसे, $\ell_\infty$ के लिए $\gamma=1.5$ , $\ell_2$ के लिए $\gamma=2.0$ )।
- ग्रेडिएंट फ्लो: स्टॉप-ग्रेडिएंट ऑपरेशन को हटाने से रोबस्टनेस में केवल मामूली कमी आती है, जो पुष्टि करता है कि लाभ टेम्पोरल मल्टी-स्केल रेक्टिफिकेशन से आता है न कि टूटे हुए ग्रेडिएंट्स से।
- क्लासिफायर इंडिपेंडेंस: परिणाम विभिन्न क्लासिफायर बैकबोन (WRN-28-10 और WRN-70-16) में भी मान्य हैं।

महत्व और दावे

पेपर का दावा है कि TARO बिना किसी री-ट्रेनिंग या सहायक अटैक मॉडल के, सीधे प्री-ट्रेन्ड क्लीन-इमेज डिफ्यूजन मॉडल से प्राप्त एक ज़ीरो-शॉट रेक्टिफिकेशन सिग्नल प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

रोबस्टनेस-फिडेलिटी ट्रेड-ऑफ को हल करना: टेम्पोरल प्रोडक्ट-ऑफ-एक्सपर्ट्स व्यू का लाभ उठाकर, TARO रोबस्टनेस-फिडेलिटी स्पेक्ट्रम पर किसी एक बिंदु के लिए प्रतिबद्ध होने के बजाय, ग्लोबल करेक्शन और सिमेंटिक डिटेल के बीच गतिशील रूप से संतुलन बनाता है।
एडैप्टिव हमलों के तहत श्रेष्ठता: TARO उन मजबूत एडैप्टिव हमलों (BPDA-EOT, DiffBreak) के विरुद्ध लचीलापन प्रदर्शित करता है जहाँ मानक डिफ्यूजन प्यूरीफायर विफल हो जाते हैं, बशर्ते मूल्यांकन प्रोटोकॉल ऑप्टिमाइज़ेशन लूप को सही ढंग से कवर करे।
मॉड्यूलरिटी: TARो फ्रेमवर्क मौजूदा एडवर्सरी-अवेयर लाइकलीहुड मॉडल्स के साथ संगत है, जो टेम्पोरल प्रायर को सीखे गए रेसिडुअल मॉडल्स के साथ जोड़कर आगे के रोबस्टनेस लाभों का मार्ग प्रशस्त करता है।

लेखक मल्टी-स्केल ऑप्टिमाइज़ेशन के कारण बढ़े हुए इन्फरेंस लेटेंसी और अनुभवजन्य प्रकृति (सर्टिफाइड रोबस्टनेस की कमी) सहित सीमाओं को स्वीकार करते हैं। वे निष्कर्ष निकालते हैं कि TARO सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए अधिक विश्वसनीय, पारदर्शी और सावधानीपूर्वक मूल्यांकित रक्षा की दिशा में एक कदम है।