論文の概要: Spatiotemporal-Aware Bit-Flip Injection on DNN-based Advanced Driver Assistance Systems (extended version)

• arxiv url: http://arxiv.org/abs/2604.03753v2
• Date: Fri, 10 Apr 2026 20:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 14:47:45.494828
• Title: Spatiotemporal-Aware Bit-Flip Injection on DNN-based Advanced Driver Assistance Systems (extended version)
• Title（参考訳）: DNNに基づくアドバンストドライバ支援システムにおける時空間対応ビットフリップインジェクション(拡張版)
• Authors: Taibiao Zhao, Xiang Zhang, Mingxuan Sun, Ruyi Ding, Xugui Zhou,
• Abstract要約: 現代の運転支援システムは、認識と計画のためにディープニューラルネットワーク(DNN)に依存している。 STAFIは、ADASのDNNにおける重要な障害箇所を効率的に見つけるためのフレームワークである。 PMBSは、破壊が運転行動における最大の偏差を引き起こす重要なネットワーク重みを識別する。 CFTIは、リアルタイムシステムと環境状態のコンテキストを考慮して、いつ障害を引き起こすかを決定する。
• 参考スコア（独自算出の注目度）: 13.57717591777529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern advanced driver assistance systems (ADAS) rely on deep neural networks (DNNs) for perception and planning. Since DNNs' parameters reside in DRAM during inference, bit flips caused by cosmic radiation or low-voltage operation may corrupt DNN computations, distort driving decisions, and lead to real-world incidents. This paper presents a SpatioTemporal-Aware Fault Injection (STAFI) framework to locate critical fault sites in DNNs for ADAS efficiently. Spatially, we propose a Progressive Metric-guided Bit Search (PMBS) that efficiently identifies critical network weight bits whose corruption causes the largest deviations in driving behavior (e.g., unintended acceleration or steering). Furthermore, we develop a Critical Fault Time Identification (CFTI) mechanism that determines when to trigger these faults, taking into account the context of real-time systems and environmental states, to maximize the safety impact. Experiments on DNNs for a production ADAS demonstrate that STAFI uncovers 29.56x more hazard-inducing critical faults than the strongest baseline.
• Abstract（参考訳）: 現代の高度な運転支援システム(ADAS)は、認識と計画のためにディープニューラルネットワーク(DNN)に依存している。 DNNのパラメータは推論中にDRAMに存在するため、宇宙線や低電圧操作によって引き起こされるビットフリップは、DNN計算を破損させ、駆動決定を歪ませ、現実世界のインシデントを引き起こす可能性がある。 本稿では,ADAS のための DNN における重要な障害箇所を効率的に見つけるために,STAFI (SpatioTemporal-Aware Fault Injection) フレームワークを提案する。 本研究では,運転行動における最大偏差(例えば,意図しない加速度,ステアリング)の原因となるネットワーク重み付けビットを効率よく同定するプログレッシブ・メトリック誘導ビットサーチ(PMBS)を提案する。 さらに, リアルタイムシステムと環境状態のコンテキストを考慮したCFTI機構を開発し, 安全性への影響を最大化する。 ADAS生産のためのDNNの実験では、STAFIは最強の基準線よりも29.56倍の危険をもたらす臨界断層を発見した。

関連論文リスト

• Mitigating multiple single-event upsets during deep neural network inference using fault-aware training [0.0]
  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。 本研究は, モデルレベルで故障注入を行うことにより, DNNにおける複数単一ビット単点乱れの影響を解析する。 ハードウェアの変更なしにDNNのフォールトに対する堅牢性を向上するフォールトアウェアトレーニング(FAT)手法が提案されている。
  論文  参考訳（メタデータ） (2025-02-13T14:43:22Z)
• Advanced technology in railway track monitoring using the GPR Technique: A Review [41.94295877935867]
  グラウンド・ペネトレーション・レーダー (GPR) は、鉄道線路の監視に使用できる電磁探査技術である。 バラストポケット、ファウルドバラスト、排水不良、下級集落などの欠陥を検出することができる。 本稿では,実世界のGPRデータのキャリブレーションに合成モデリングを用いる手法について述べる。 ディープラーニング技術、特にCNN(Convolutional Neural Networks)やRNN(Recurrent Neural Networks)も、GPRイメージの欠陥に関連するパターンを認識する上での有効性を強調している。
  論文  参考訳（メタデータ） (2025-01-19T18:01:39Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• SpikingJET: Enhancing Fault Injection for Fully and Convolutional Spiking Neural Networks [37.89720165358964]
  SpikingJETは、完全に接続された畳み込み型スパイキングニューラルネットワーク(SNN)用に特別に設計された新しいフォールトインジェクタである。 我々の研究は、SNNのハードウェア障害に対するレジリエンスを評価するための重要な必要性を、現実世界のアプリケーションにおけるその優位性を考える上で、浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-03-30T14:51:01Z)
• Special Session: Approximation and Fault Resiliency of DNN Accelerators [0.9126382223122612]
  本稿では,Deep Neural Networkアクセラレータの近似とフォールトレジリエンスについて検討する。 本稿では,DNNに障害注入を行わずにハードウェアのエラーをエミュレートするために近似(AxC)演算回路を提案する。 また,ネットワーク上での断層伝播とマスキングによる耐故障性の微粒化解析も提案する。
  論文  参考訳（メタデータ） (2023-05-31T19:27:45Z)
• Thales: Formulating and Estimating Architectural Vulnerability Factors for DNN Accelerators [6.8082132475259405]
  本稿では,過渡的エラーが発生した場合のネットワークの挙動を推定し,過渡的エラーが発生した場合の精度を定量化することに焦点を当てる。 既存のレジリエンス精度 (RA) の定式化は, ソフトウェア変数がハードウェアの過渡的欠陥の下で等価な故障確率を持つことを誤って仮定するため, 基本的に不正確であることを示す。 本稿では, 過渡的故障下でのDNN変数の故障確率を推定し, ハードウェアによる正しいRA推定を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-05T23:16:20Z)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• FitAct: Error Resilient Deep Neural Networks via Fine-Grained Post-Trainable Activation Functions [0.05249805590164901]
  ディープニューラルネットワーク(DNN)は、パーソナルヘルスケアデバイスや自動運転車などの安全クリティカルなシステムにますます導入されている。 本稿では,DNNの微粒化後のアクティベーション機能を実装することで,DNNのエラーレジリエンスを高めるための低コストなアプローチであるFitActを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:07:50Z)
• Exploring Fault-Energy Trade-offs in Approximate DNN Hardware Accelerators [2.9649783577150837]
  異なるAxDNNの層幅およびビット幅の耐障害性およびエネルギー解析について述べる。 その結果、AxDNNsの耐障害性がエネルギー効率にかかっていることが示された。
  論文  参考訳（メタデータ） (2021-01-08T05:52:12Z)
• Fault Sneaking Attack: a Stealthy Framework for Misleading Deep Neural Networks [46.731211379810105]
  深層ニューラルネットワーク(DNN)における障害スニーカー攻撃を提案する。 敵は、DNNパラメータを変更することで、特定の入力画像を任意のターゲットラベルに誤分類することを目的としている。 提案するフレームワークは,総合的なテスト精度を損なうことなく,複数のスニーピング障害を注入できることを示す。
  論文  参考訳（メタデータ） (2019-05-28T18:56:44Z)

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。