論文の概要: A Data-Free Membership Inference Attack on Federated Learning in Hardware Assurance
- arxiv url: http://arxiv.org/abs/2604.19891v1
- Date: Tue, 21 Apr 2026 18:13:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.741305
- Title: A Data-Free Membership Inference Attack on Federated Learning in Hardware Assurance
- Title（参考訳）: ハードウェア保証におけるフェデレーション学習に対するデータフリーメンバーシップ推論攻撃
- Authors: Gijung Lee, Wavid Bowman, Olivia P. Dizon-Paradis, Reiner N. Dizon-Paradis, Ronald Wilson, Damon L. Woodard, Domenic Forte,
- Abstract要約: Federated Learning(FL)は、ハードウェア保証におけるディープラーニングモデルをトレーニングするためのデータ不足問題に対する、新たなソリューションである。
FLは生データを共有しないことでプライバシーを高めるように設計されているが、機密性のある知的財産(IP)を漏洩するメンバーシップ推論攻撃(MIAs)に弱いままである。
本稿では,ハードウェア保証のためのFLにおける画像セグメンテーションモデルを対象とした,新しいデータフリーMIAを提案する。
- 参考スコア（独自算出の注目度）: 2.3297085276791596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Learning (FL) is an emerging solution to the data scarcity problem for training deep learning models in hardware assurance. While FL is designed to enhance privacy by not sharing raw data, it remains vulnerable to Membership Inference Attacks (MIAs) that can leak sensitive intellectual property (IP). Traditional MIAs are often impractical in this domain because they require access to auxiliary datasets that can match the unique statistical properties of private data. This paper introduces a novel, data-free MIA targeting image segmentation models in FL for hardware assurance. Our methodology leverages Standard Cell Library Layouts (SCLLs) as priors to guide a gradient inversion attack, allowing an adversary to reconstruct images from a client's intercepted model update without needing any private data. We demonstrate that, by analyzing the reconstruction fidelity, an adversary can infer sensitive hardware characteristics, successfully distinguishing between circuit layers (e.g., metal vs. diffusion) and technology nodes (e.g., 32nm vs. 90nm). Our findings reveal that a novel loss term can conditionally amplify the attack's effectiveness by overcoming evaluation bottlenecks for structurally complex data. This work underscores a significant IP risk, challenging the assumption that FL provides inherent privacy guarantees and proving that severe information leakage can occur even without access to domain-specific datasets.
- Abstract（参考訳）: Federated Learning(FL)は、ハードウェア保証におけるディープラーニングモデルをトレーニングするためのデータ不足問題に対する、新たなソリューションである。
FLは生データを共有しないことでプライバシーを高めるように設計されているが、機密性のある知的財産(IP)を漏洩するメンバーシップ推論攻撃(MIA)には弱いままである。
従来のMIAは、プライベートデータのユニークな統計特性にマッチする補助データセットへのアクセスを必要とするため、この領域では実用的ではないことが多い。
本稿では,ハードウェア保証のためのFLにおける画像セグメンテーションモデルを対象とした,新しいデータフリーMIAを提案する。
提案手法では,Standard Cell Library Layouts (SCLL) を先行して勾配反転攻撃を誘導し,クライアントのインターセプトされたモデル更新から画像の再構成を行う。
本研究では, 回路層(例えば, 金属対拡散)と技術ノード(例えば, 32nm対90nm)の区別に成功し, ハードウェア特性を推定できることを示す。
その結果,構造的に複雑なデータに対する評価ボトルネックを克服することで,新たな損失項が攻撃の有効性を条件付きで増幅できることが判明した。
この研究は、FLが固有のプライバシー保証を提供するという仮定に挑戦し、ドメイン固有のデータセットにアクセスしなくても深刻な情報漏洩が発生することを証明している。
関連論文リスト
- Potentials and Pitfalls of Applying Federated Learning in Hardware Assurance [1.8977743123963622]
Federated Learning (FL) は、生データを共有せずにDLモデルの協調トレーニングを可能にする代替案として提案されている。
本研究では、ハードウェア保証のためのFLベースのDLを初めて検討し、逆エンジニアリングのためのセグメンテーションタスクにおいて、FLが単一サイクル集中学習より優れていることを示す。
FLで使用されるSEM画像は攻撃者によって復元可能であることを示し、FLが保護すべき機密でプロプライエタリなIPを公開する。
論文 参考訳（メタデータ） (2026-04-21T21:56:29Z) - DECIFR: Domain-Aware Exfiltration of Circuit Information from Federated Gradient Reconstruction [2.3297085276791596]
本稿では,ICトレーニングデータのプライバシを損なうために,利用可能な標準セルライブラリレイアウトを活用可能な重要な脆弱性を示す。
補助データセットを必要としない新しい2段階メンバーシップ推論攻撃(MIA)であるDECIFRを紹介する。
以上の結果から, これらの再建の忠実度は, 直接会員資格と相関し, 相手がメンバーと非メンバーとを確実に区別できることが判明した。
論文 参考訳（メタデータ） (2026-04-21T18:48:58Z) - Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。
データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。
エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。
我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
論文 参考訳（メタデータ） (2025-08-22T17:47:02Z) - FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning [5.7494612007431805]
データプライバシを維持しつつ、間接的なクライアント間表現共有をサポートする新しいFLフレームワークであるFedP3Eを提案する。
我々は,N-BaIoTデータセット上のFedP3Eを,データ不均衡の程度が異なる現実的なクロスサイロシナリオ下で評価した。
論文 参考訳（メタデータ） (2025-07-09T20:07:35Z) - Byzantine Outside, Curious Inside: Reconstructing Data Through Malicious Updates [36.2911560725828]
フェデレートラーニング(FL)は、生データを共有せずに分散機械学習を可能にする。
一般に採用されているFLプロトコルでは、プライバシリークが可能である。
FLに新たな脅威モデルを導入し、悪意ある好奇心をそそるクライアントと名づけた。
論文 参考訳（メタデータ） (2025-06-13T02:23:41Z) - Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning [83.90283731845867]
我々は、入力データ妥協を目標とする一般的なリスクである特徴再構成攻撃について検討する。
フェデレーションベースのモデルは、最先端の機能再構築攻撃に耐性があることが示される。
論文 参考訳（メタデータ） (2024-12-16T12:02:12Z) - GI-NAS: Boosting Gradient Inversion Attacks Through Adaptive Neural Architecture Search [52.27057178618773]
グラディエント・インバージョン・アタック (Gradient Inversion Attacks) は、Federated Learning (FL) システムの伝達勾配を反転させ、ローカルクライアントの機密データを再構築する。
勾配反転法の大半は明示的な事前知識に大きく依存しており、現実的なシナリオでは利用できないことが多い。
本稿では,ニューラルネットワークを適応的に探索し,ニューラルネットワークの背後にある暗黙の先行情報をキャプチャするニューラルアーキテクチャ探索(GI-NAS)を提案する。
論文 参考訳（メタデータ） (2024-05-31T09:29:43Z) - Ungeneralizable Examples [70.76487163068109]
学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。
学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。
UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
論文 参考訳（メタデータ） (2024-04-22T09:29:14Z) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳（メタデータ） (2023-05-19T05:39:40Z) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳（メタデータ） (2022-02-14T18:33:12Z)
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。