論文の概要: RobustEdge: Low Power Adversarial Detection for Cloud-Edge Systems
- arxiv url: http://arxiv.org/abs/2310.06845v1
- Date: Tue, 5 Sep 2023 13:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 03:34:51.843479
- Title: RobustEdge: Low Power Adversarial Detection for Cloud-Edge Systems
- Title（参考訳）: RobustEdge: クラウドエッジシステムの低消費電力逆検出
- Authors: Abhishek Moitra, Abhiroop Bhattacharjee, Youngeun Kim and
Priyadarshini Panda
- Abstract要約: 現実的なクラウドエッジシナリオでは、リソース制約のあるエッジがデータ取得を行い、(十分なリソースを持つ)クラウドシステムが推論タスクを実行する場合、信頼性とユビキタスなデプロイメントには、敵の堅牢性が不可欠である。
以前の作業では、エッジではなく、クラウドでしか敵検出を行なえない。
本稿では,エッジベースの低コスト対向検出を行うために,早期検出と出口を用いた量子化対応エネルギー分離(QES)トレーニングを提案する。
- 参考スコア（独自算出の注目度）: 13.499706125321605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In practical cloud-edge scenarios, where a resource constrained edge performs
data acquisition and a cloud system (having sufficient resources) performs
inference tasks with a deep neural network (DNN), adversarial robustness is
critical for reliability and ubiquitous deployment. Adversarial detection is a
prime adversarial defence technique used in prior literature. However, in prior
detection works, the detector is attached to the classifier model and both
detector and classifier work in tandem to perform adversarial detection that
requires a high computational overhead which is not available at the low-power
edge. Therefore, prior works can only perform adversarial detection at the
cloud and not at the edge. This means that in case of adversarial attacks, the
unfavourable adversarial samples must be communicated to the cloud which leads
to energy wastage at the edge device. Therefore, a low-power edge-friendly
adversarial detection method is required to improve the energy efficiency of
the edge and robustness of the cloud-based classifier. To this end, RobustEdge
proposes Quantization-enabled Energy Separation (QES) training with "early
detection and exit" to perform edge-based low cost adversarial detection. The
QES-trained detector implemented at the edge blocks adversarial data
transmission to the classifier model, thereby improving adversarial robustness
and energy-efficiency of the Cloud-Edge system.
- Abstract（参考訳）: 現実的なクラウドエッジシナリオでは、リソース制約のあるエッジがデータ取得を行い、(十分なリソースを持つ)クラウドシステムがディープニューラルネットワーク(DNN)で推論タスクを実行する場合、信頼性とユビキタスなデプロイメントには、敵の堅牢性が不可欠である。
対向検出は、先行文献で使用される主対向防御技術である。
しかし、先行検出作業では、検出器は分類器モデルにアタッチされ、検出器と分類器の両方がタンデムで動作し、低消費電力エッジでは利用できない高い計算オーバーヘッドを必要とする対角検出を行う。
したがって、事前の作業は、エッジではなく、クラウドでのみ敵検出を行うことができる。
これは、敵の攻撃の場合、望ましくない敵のサンプルを雲に伝達し、エッジデバイスでエネルギーを無駄にすることを意味する。
そのため,クラウド型分類器のエッジのエネルギー効率とロバスト性を向上させるために,低消費電力エッジフレンドリーな対向検出法が必要である。
この目的のためにRobustEdgeは、エッジベースの低コスト対向検出を行うために、"早期検出と終了"を備えた量子化可能なエネルギー分離(QES)トレーニングを提案する。
エッジブロックに実装されたQES学習検出器は、分類器モデルへの逆データ伝送をブロックし、クラウドエッジシステムの対向ロバスト性とエネルギー効率を向上させる。
関連論文リスト
- Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - EdgeShield: A Universal and Efficient Edge Computing Framework for Robust AI [8.688432179052441]
敵攻撃の普遍的かつ効率的な検出を可能にするエッジフレームワークの設計を提案する。
このフレームワークは、注意に基づく敵検出手法と、軽量な検出ネットワークの形成を含む。
その結果、97.43%のFスコアが達成できることが示され、このフレームワークが敵の攻撃を検出する能力を示している。
論文 参考訳（メタデータ） (2024-08-08T02:57:55Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for
CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳（メタデータ） (2024-03-05T04:29:31Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - ARCADE: Adversarially Regularized Convolutional Autoencoder for Network
Anomaly Detection [0.0]
ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。
リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
論文 参考訳（メタデータ） (2022-05-03T11:47:36Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - Detecting Backdoors in Neural Networks Using Novel Feature-Based Anomaly
Detection [16.010654200489913]
本稿では,ニューラルネットワークのバックドア攻撃に対する新たな防御法を提案する。
バックドアネットワークの機能抽出層が新機能を組み込んでトリガーの存在を検出するという直感に基づいている。
バックドアの検出には、クリーンな検証データに基づいて訓練された2つの相乗的異常検出器を使用する。
論文 参考訳（メタデータ） (2020-11-04T20:33:51Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks [17.2528983535773]
本研究は5G C-RANにML-IDS(Multi-stage Machine Learning-based Intrusion Detection)を配置することに焦点を当てる。
一定のジャミング、ランダムジャミング、ジャミング、リアクティブジャミングの4種類のジャミング攻撃を検出し、分類することができる。
最終分類精度は94.51%で、偽陰性率は7.84%である。
論文 参考訳（メタデータ） (2020-04-13T17:21:45Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。