論文の概要: Resource Consumption Threats in Large Language Models

• arxiv url: http://arxiv.org/abs/2603.16068v1
• Date: Tue, 17 Mar 2026 02:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.07466
• Title: Resource Consumption Threats in Large Language Models
• Title（参考訳）: 大規模言語モデルにおける資源消費の脅威
• Authors: Yuanhe Zhang, Xinyue Wang, Zhican Chen, Weiliu Wang, Zilu Zhang, Zhengshuo Gong, Zhenhong Zhou, Li Sun, Yang Liu, Sen Su,
• Abstract要約: 資源効率は、大規模言語モデル(LLM)の重要な要件である。 近年の資源消費の脅威は、過剰な生成、モデル効率の低下、サービスの可用性と経済的な持続可能性に害を与えている。 我々のゴールは、この新興地域の課題を明確化し、特徴づけと緩和のためのより明確な基盤を提供することである。
• 参考スコア（独自算出の注目度）: 16.88794620997557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given limited and costly computational infrastructure, resource efficiency is a key requirement for large language models (LLMs). Efficient LLMs increase service capacity for providers and reduce latency and API costs for users. Recent resource consumption threats induce excessive generation, degrading model efficiency and harming both service availability and economic sustainability. This survey presents a systematic review of threats to resource consumption in LLMs. We further establish a unified view of this emerging area by clarifying its scope and examining the problem along the full pipeline from threat induction to mechanism understanding and mitigation. Our goal is to clarify the problem landscape for this emerging area, thereby providing a clearer foundation for characterization and mitigation.
• Abstract（参考訳）: 限られた計算インフラを前提として、資源効率は大規模言語モデル(LLM)の鍵となる要件である。 効率的なLLMは、プロバイダのサービス容量を増やし、ユーザのレイテンシとAPIコストを削減します。 近年の資源消費の脅威は過剰な生成を誘発し、モデル効率を低下させ、サービスの可用性と経済的持続可能性の両方を損なう。 本調査は, LLMにおける資源消費に対する脅威の体系的検討である。 さらに、脅威の誘発からメカニズムの理解、緩和に至るまで、その範囲を明確にし、完全なパイプラインに沿った問題を調べることで、この新興領域の統一的な視点を確立します。 我々のゴールは、この新興地域の課題を明確化し、特徴づけと緩和のためのより明確な基盤を提供することである。

関連論文リスト

• Task-Aware Reduction for Scalable LLM-Database Systems [0.0]
  我々は、LCMのトークン予算を注目予算として扱い、タスク対応テキストの削減を、データシステムのための第一級設計原則である、と論じる。 ベンチマークの構築、適応型リダクションパイプラインの設計、トークンバジェット対応プリプロセッシングをデータベースや検索システムに統合するためのオープンな研究課題について概説する。
  論文  参考訳（メタデータ） (2025-10-13T18:10:03Z)
• $PD^3F$: A Pluggable and Dynamic DoS-Defense Framework Against Resource Consumption Attacks Targeting Large Language Models [9.585089414738542]
  大規模言語モデル(LLM)は、リソース消費攻撃に対して脆弱であり、サーバのパフォーマンスを著しく低下させたり、クラッシュの原因になったりする。 本稿では,資源消費攻撃に対する2段階のアプローチを取り入れたPlugable and Dynamic DoS-Defense Framework(PD3F$)を提案する。 PD3F$は、リソース消費攻撃を著しく軽減し、敵の負荷時に最大500%のアクセス容量を改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:54:22Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Integration of Large Vision Language Models for Efficient Post-disaster Damage Assessment and Reporting [2.023914201416672]
  DisasTellerは、ディスアスター後管理におけるタスクの自動化を目的とした、最初のマルチLVLMベースのフレームワークである。 DisasTellerは、災害対応アクティビティを自律的に実装し、人間の実行時間を短縮し、リソースの分散を最適化する。
  論文  参考訳（メタデータ） (2024-11-03T10:25:55Z)
• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• ORIENT: A Priority-Aware Energy-Efficient Approach for Latency-Sensitive Applications in 6G [15.753216159980434]
  コンピューティングとネットワークにおけるエネルギー消費の増加に関する懸念が高まっている。 接続デバイスとリソース需要アプリケーションの増加は、エネルギー資源に対する前例のない課題を呈している。 PIRAと呼ばれるサービスインスタンス配置・割り当て・経路選択・要求優先順位付けの連立問題について検討する。
  論文  参考訳（メタデータ） (2024-02-10T12:05:52Z)
• Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model [0.2580765958706854]
  我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。 我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。 実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-31T13:44:01Z)
• On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
  本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。 本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
  論文  参考訳（メタデータ） (2023-05-23T04:10:26Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。