論文の概要: Benchmarking the Energy Cost of Assurance in Neuromorphic Edge Robotics

• arxiv url: http://arxiv.org/abs/2603.13880v1
• Date: Sat, 14 Mar 2026 10:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.465082
• Title: Benchmarking the Energy Cost of Assurance in Neuromorphic Edge Robotics
• Title（参考訳）: 神経形エッジロボティクスにおける保証のエネルギーコストのベンチマーク
• Authors: Sylvester Kaczmarek,
• Abstract要約: 本稿では,事象駆動型ニューロモルフィックシステムにおける保証のエネルギーコストを定量化する。 従来のディープラーニングのディフェンスとは異なり、ロバスト性を高めて効率を著しく低下させる場合が多いが、提案アーキテクチャのイベント駆動性は優れたトレードオフを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying trustworthy artificial intelligence on edge robotics imposes a difficult trade-off between high-assurance robustness and energy sustainability. Traditional defense mechanisms against adversarial attacks typically incur significant computational overhead, threatening the viability of power-constrained platforms in environments such as cislunar space. This paper quantifies the energy cost of assurance in event-driven neuromorphic systems. We benchmark the Hierarchical Temporal Defense (HTD) framework on the BrainChip Akida AKD1000 processor against a suite of adversarial temporal attacks. We demonstrate that unlike traditional deep learning defenses which often degrade efficiency significantly with increased robustness, the event-driven nature of the proposed architecture achieves a superior trade-off. The system reduces gradient-based adversarial success rates from 82.1% to 18.7% and temporal jitter success rates from 75.8% to 25.1%, while maintaining an energy consumption of approximately 45 microjoules per inference. We report a counter-intuitive reduction in dynamic power consumption in the fully defended configuration, attributed to volatility-gated plasticity mechanisms that induce higher network sparsity. These results provide empirical evidence that neuromorphic sparsity enables sustainable and high-assurance edge autonomy.
• Abstract（参考訳）: エッジロボティクスに信頼できる人工知能を配置することは、高安全性の堅牢性とエネルギー持続可能性との間に難しいトレードオフを課す。 敵の攻撃に対する伝統的な防御機構は、通常、計算上のオーバーヘッドを生じさせ、シスルナー空間のような環境における電力制約されたプラットフォームの存在を脅かす。 本稿では,事象駆動型ニューロモルフィックシステムにおける保証のエネルギーコストを定量化する。 我々は,BrainChip Akida AKD1000プロセッサ上でHTD(Hierarchical Temporal Defense)フレームワークを,敵の時間的攻撃に対してベンチマークする。 従来のディープラーニングのディフェンスとは異なり、ロバスト性を高めて効率を著しく低下させる場合が多いが、提案アーキテクチャのイベント駆動性は優れたトレードオフを実現する。 このシステムは勾配に基づく逆数の成功率を82.1%から18.7%に減らし、時間ジッタの成功率は75.8%から25.1%に減らし、推論あたりのエネルギー消費はおよそ45マイクロジュールである。 本報告では, ネットワークの幅を増大させる揮発性ゲート型塑性機構による, 完全に防御された構成における動的電力消費の直感的削減について報告する。 これらの結果は、ニューロモルフィック・スパシティが持続的かつ高濃度のエッジ自律を可能にするという実証的な証拠を提供する。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• QSTAformer: A Quantum-Enhanced Transformer for Robust Short-Term Voltage Stability Assessment against Adversarial Attacks [16.136670343047307]
  短期電圧安定性評価(STVSA)は、安全な電力系統運用に不可欠である。 本稿では、パラメータ化量子回路をアテンション機構に組み込むQSTAformer-a tailored quantum-enhanced Transformerアーキテクチャを提案する。 ホワイトボックスとグレイボックスの攻撃を防御するために、専用の敵の訓練戦略が開発されている。
  論文  参考訳（メタデータ） (2025-11-29T16:45:46Z)
• Preventing Adversarial AI Attacks Against Autonomous Situational Awareness: A Maritime Case Study [0.0]
  アドリラル人工知能(AI)による攻撃は、自律走行に重大な脅威をもたらす。 本稿では、敵対的AIに関連する3つの重要な研究課題に対処する。 本稿では,複数入力とデータ融合を利用して防御部品を構築できるビルディングディフェンスを提案する。
  論文  参考訳（メタデータ） (2025-05-27T17:59:05Z)
• Sponge Attacks on Sensing AI: Energy-Latency Vulnerabilities and Defense via Model Pruning [0.44784055850794474]
  最近の研究では、スポンジ攻撃はディープニューラルネットワーク(DNN)のエネルギー消費と推論遅延を大幅に増加させることが示されている。 これらの攻撃は、バッテリ容量とリアルタイム応答性に限界があるシステムにおいて、エネルギーの枯渇と遅延劣化の深刻な脅威を引き起こす。 本稿では,センサベースAIモデルを対象とした,エネルギー遅延スポンジ攻撃の体系的検討を行う。 また,資源制約型AIの圧縮技術として広く採用されているモデルプルーニングについても検討した。
  論文  参考訳（メタデータ） (2025-05-09T22:10:44Z)
• THOR: A Non-Speculative Value Dependent Timing Side Channel Attack Exploiting Intel AMX [0.20971479389679332]
  我々はIntel AMXに新しい値依存型タイミング側チャネル脆弱性を導入する。 我々は、ニューラルネットワークの重みの空間性を推定できるソフトウェアベースの、価値に依存したタイミングサイドチャネル攻撃を実証する。 攻撃方法は,64個の入力要素に割り当てられた重みの空間を50分以内で完全に回復することができる。
  論文  参考訳（メタデータ） (2025-02-24T21:12:57Z)
• GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
  我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。 以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
  論文  参考訳（メタデータ） (2024-05-20T14:43:46Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Zero Trust Framework for Realization and Defense Against Generative AI Attacks in Power Grid [62.91192307098067]
  本稿では電力グリッドサプライチェーン(PGSC)のための新しいゼロ信頼フレームワークを提案する。 潜在的なGenAIによる攻撃ベクターの早期発見、テールリスクに基づく安定性の評価、そしてそのような脅威の緩和を容易にする。 実験の結果,ゼロ信頼フレームワークは攻撃ベクトル生成に95.7%の精度,95%安定PGSCに9.61%のリスク尺度,GenAIによる攻撃に対する防御に99%の信頼性が得られた。
  論文  参考訳（メタデータ） (2024-03-11T02:47:21Z)
• Attention-Based Real-Time Defenses for Physical Adversarial Attacks in Vision Applications [58.06882713631082]
  ディープニューラルネットワークはコンピュータビジョンタスクにおいて優れたパフォーマンスを示すが、現実の敵攻撃に対する脆弱性は深刻なセキュリティ上の懸念を引き起こす。 本稿では、敵チャネルの注意力を利用して、浅いネットワーク層における悪意のある物体を素早く識別・追跡する、効果的な注意に基づく防御機構を提案する。 また、効率的な多フレーム防御フレームワークを導入し、防御性能と計算コストの両方を評価することを目的とした広範な実験を通じて、その有効性を検証した。
  論文  参考訳（メタデータ） (2023-11-19T00:47:17Z)

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。