論文の概要: Evaluating Different Fault Injection Abstractions on the Assessment of DNN SW Hardening Strategies

• arxiv url: http://arxiv.org/abs/2412.08466v1
• Date: Wed, 11 Dec 2024 15:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:38.157744
• Title: Evaluating Different Fault Injection Abstractions on the Assessment of DNN SW Hardening Strategies
• Title（参考訳）: DNNSW硬化戦略の評価における異なる欠陥注入抽象化の評価
• Authors: Giuseppe Esposito, Juan David Guerrero-Balaguera, Josie Esteban Rodriguez Condia, Matteo Sonza Reorda,
• Abstract要約: 本研究では、深層ニューラルネットワークSW硬化戦略を評価するための2つのFI手法(アプリケーションレベル(APP)と命令レベル(ISA))を比較した。 その結果、ISAにおける永久断層注入は、SW硬化技術のランキングを完全に変えていることがわかった。
• 参考スコア（独自算出の注目度）: 1.2507653701985335
• License:
• Abstract: The reliability of Neural Networks has gained significant attention, prompting efforts to develop SW-based hardening techniques for safety-critical scenarios. However, evaluating hardening techniques using application-level fault injection (FI) strategies, which are commonly hardware-agnostic, may yield misleading results. This study for the first time compares two FI approaches (at the application level (APP) and instruction level (ISA)) to evaluate deep neural network SW hardening strategies. Results show that injecting permanent faults at ISA (a more detailed abstraction level than APP) changes completely the ranking of SW hardening techniques, in terms of both reliability and accuracy. These results highlight the relevance of using an adequate analysis abstraction for evaluating such techniques.
• Abstract（参考訳）: ニューラルネットワークの信頼性が注目され、安全クリティカルなシナリオのためのSWベースのハードニング技術の開発が進められた。 しかし、一般にハードウェアに依存しないアプリケーションレベルの欠陥注入(FI)戦略を用いた硬化技術の評価は、誤った結果をもたらす可能性がある。 この研究は、ディープニューラルネットワークSW硬化戦略を評価するための2つのFIアプローチ(アプリケーションレベル(APP)とインストラクションレベル(ISA))を初めて比較した。 その結果,ISAにおける永久欠陥(APPよりも詳細な抽象化レベル)の注入は,信頼性と精度の両面でSW硬化技術のランキングを完全に変えることがわかった。 これらの結果は,このような手法の評価に適切な解析抽象化を用いることの意義を浮き彫りにした。

関連論文リスト

• Computability of Classification and Deep Learning: From Theoretical Limits to Practical Feasibility through Quantization [53.15874572081944]
  ディープラーニングフレームワークにおける計算可能性について,2つの観点から検討する。 根底にある問題が十分に解決された場合でも、ディープニューラルネットワークを訓練する際のアルゴリズム上の制限を示す。 最後に、分類と深層ネットワークトレーニングの定量化バージョンにおいて、計算可能性の制限は発生せず、一定の程度まで克服可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:02:26Z)
• Evaluating Deep Neural Networks in Deployment (A Comparative and Replicability Study) [11.242083685224554]
  ディープニューラルネットワーク(DNN)は、安全クリティカルなアプリケーションでますます利用されている。 デプロイにおけるDNNの信頼性を評価するために提案されている最近のアプローチについて検討する。 複製パッケージ上でこれらのアプローチの結果を実行して再現することは困難であり、それ自身以外のアーティファクト上でも実行することがさらに困難であることに気付きました。
  論文  参考訳（メタデータ） (2024-07-11T17:58:12Z)
• On the Prediction of Hardware Security Properties of HLS Designs Using Graph Neural Networks [1.6951945839990796]
  本稿では,最新のグラフニューラルネットワーク(GNN)を用いたHLS設計におけるハードウェアセキュリティ特性の評価手法を提案する。 我々は,GNNを効率的にトレーニングすることで,障害攻撃に関する重要なハードウェアセキュリティの脅威を予測できることを示す。 提案手法は,高いR二乗スコアを持つHLS設計の欠陥脆弱性メトリクスを予測し,大幅な高速化を実現する。
  論文  参考訳（メタデータ） (2023-12-11T10:13:53Z)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)
• APPRAISER: DNN Fault Resilience Analysis Employing Approximation Errors [1.1091582432763736]
  安全クリティカルなアプリケーションにおけるディープニューラルネットワーク(DNN)は、新たな信頼性の懸念を引き起こす。 エミュレーションによる断層注入の最先端手法は, 時間, 設計, 制御・複雑度の問題を引き起こす。 APPRAISERは、非伝統的な目的に関数近似を適用し、近似計算誤差を用いる。
  論文  参考訳（メタデータ） (2023-05-31T10:53:46Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• A Novel Framework for Assessment of Learning-based Detectors in Realistic Conditions with Application to Deepfake Detection [11.287342793740876]
  本稿では,より現実的な状況下での学習ベース検出器の性能を評価するための厳密な枠組みを提案する。 評価結果に触発されて、自然な画像劣化プロセスに基づくデータ拡張戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-22T15:03:56Z)
• A Comparative Analysis of Machine Learning Techniques for IoT Intrusion Detection [0.0]
  本稿では,IoT-23データセットの9つのマルウェアキャプチャにおける教師付き・教師なし・強化学習手法の比較分析を行った。 SVM, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), isolation Forest (iForest), Local Outlier Factor (LOF), Deep Reinforcement Learning (DRL) model based on a Double Deep Q-Network (DDQN)。
  論文  参考訳（メタデータ） (2021-11-25T16:14:54Z)
• 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)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。