Fugu-MT 論文翻訳(概要): AESOP: Adversarial Execution-path Selection to Overload Deep Learning Pipelines

論文の概要: AESOP: Adversarial Execution-path Selection to Overload Deep Learning Pipelines

arxiv url: http://arxiv.org/abs/2605.10987v1
Date: Sat, 09 May 2026 09:16:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.278785
Title: AESOP: Adversarial Execution-path Selection to Overload Deep Learning Pipelines
Title（参考訳）: AESOP: ディープラーニングパイプラインをオーバーロードする逆実行パスの選択
Abstract要約: 現代の機械学習のデプロイメントは、動的推論パイプラインに特別なモデルを組み込むようになってきている。この構造は, 単一モデルを対象とした既存手法では利用できない, 効率攻撃面を生成する。脆弱性誘導経路ランキングと適応的損失重み付けを組み合わせたフレームワークであるAESOPを提案する。
参考スコア（独自算出の注目度）: 6.773252452930085
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern machine learning deployments increasingly compose specialized models into dynamic inference pipelines, where upstream components produce intermediate predictions that determine the workload and inputs of downstream components. The cost of processing an input is therefore not determined by any single model, but by two coupled factors: the per-inference cost of each invoked component and its workload volume. Because these pipelines run under hard real-time constraints, efficiency is a fundamental requirement for system availability. We show that this structure creates an efficiency-attack surface that existing methods targeting single models cannot exploit: on identical inputs and budgets, path-aware targeting inflates FLOPs by $2,407\times$ while the strongest single-model baseline achieves $117\times$ -- a $20\times$ gap attributable entirely to where the attack is directed. We formalize this as the adversarial path-selection problem and present AESOP, a framework combining vulnerability-guided path ranking with adaptive loss weighting. We evaluate AESOP on five pipelines plus a production-realistic deployment variant with batching, bounded buffering, and confidence-threshold defenses. AESOP achieves up to $2,407\times$ FLOPs and $419\times$ latency inflation in white-box setting and 58$\times$ FLOPs / 17$\times$ latency in gray-box settings. Under system-level defenses, the attack is not neutralized but redirected: pipelines are forced to choose between throughput collapse ($0.578 \to 0.006$ input/s) and $96.7\%$ data loss to sustain throughput.
Abstract（参考訳）: 現代の機械学習のデプロイメントは、上流のコンポーネントが下流のコンポーネントのワークロードと入力を決定する中間的な予測を生成する、動的推論パイプラインに特別なモデルを構成するようになってきている。したがって、入力の処理コストは単一のモデルではなく、2つの結合された要因によって決定される。これらのパイプラインは厳しいリアルタイム制約の下で実行されるため、効率性はシステム可用性の基本的な要件である。この構造は、単一モデルをターゲットにした既存の手法では利用できない効率攻撃面を生成することを示している: 同一の入力と予算では、パス認識対象のFLOPsを2,407\times$、最強の単一モデルベースラインは17\times$ -- 20\times$ギャップは、攻撃が指示された場所で完全に分配可能である。我々はこれを逆経路選択問題として定式化し、脆弱性誘導経路ランキングと適応損失重み付けを組み合わせたフレームワークであるAESOPを提示する。 AESOPを5つのパイプラインで評価し,バッチ処理,バウンドバッファリング,信頼性を保った防御機能を備えた実運用現実的なデプロイメントバリアントについて検討した。 AESOPは最大で2,407\times$ FLOPsと419\times$ レイテンシインフレーションでホワイトボックス設定で58$\times$ FLOPs / 17$\times$ グレーボックス設定で17$\times$ パイプラインはスループットの崩壊(0.578 \to 0.006$ input/s)と、スループットを維持するために96.7\%のデータ損失を選択せざるを得ない。

関連論文リスト

Quality-Constrained Routing over a Fixed Pool of Quantized Mixture-of-Experts Instances [5.053749663617978]
Quantized Mixture-of-Experts (MoE) サービスは、1つのベースモデルのいくつかのプリマテリアル化されたインスタンスを保持することができる。インスタンスの実体化とレプリカ数はメモリを消費するので、アップストリームのプロビジョニング決定として扱います。各要求をルーティングして、クラスレベルの期待品質劣化予算の下で、モデル化されたスループットを最大化する。
論文参考訳（メタデータ） (2026-09-11T07:57:25Z)
TERRA: A Hierarchical Parallel Training and Memory Orchestration Framework for High-Resolution AI-based Earth Modeling [9.997208121319169]
高解像度AIベースのアース予測モデルのトレーニングはメモリ集約的だ。我々は,高分解能地球予測のための階層的並列トレーニングフレームワークであるTERRAを提案する。
論文参考訳（メタデータ） (2026-08-15T12:52:48Z)
End-to-End Dynamic Sparsity for Resource-Adaptive LLM Inference [40.35003253838957]
大規模言語モデル(LLM)推論は通常、静的なリソース仮定の下でデプロイされる。本稿では,リソース適応推論のためのエンドツーエンドフレームワークであるLearning to Allocate (L2A)を提案する。
論文参考訳（メタデータ） (2026-06-26T05:48:21Z)
ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文参考訳（メタデータ） (2026-05-11T16:20:51Z)
Dual-Pool Token-Budget Routing for Cost-Efficient and Reliable LLM Serving [9.457255218406333]
プロダクションvLLMフリートは通常、最悪のコンテキスト長に対して各インスタンスをプロビジョニングする。実際には、80-95%のリクエストは短いが、長いコンテキストに最適化された設定の下で提供される。本稿では,同種艦隊を2つの専用プールに分割する軽量ディスパッチ機構であるデュアルプールトークン予算ルーティングを提案する。
論文参考訳（メタデータ） (2026-04-09T10:47:20Z)
A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model [112.9420001646428]
VLA(Vision-Language-Action)モデルは、オープンワールドロボット操作の強力なパラダイムとして登場したが、実際の展開はコストに制約されることが多い。我々は、低コストで高スループットな推論のために設計された、完全にオープンソースで透明なVLAフレームワークであるA1を提示する。 A1は最先端の成功率を達成すると同時に、推論コストを大幅に削減する。
論文参考訳（メタデータ） (2026-04-07T10:18:40Z)
PI-JEPA: Label-Free Surrogate Pretraining for Coupled Multiphysics Simulation via Operator-Split Latent Prediction [0.0]
完備したPDE解決を伴わずに訓練を行う補助的事前学習フレームワークである textbfPI-JEPA (Physics-Informed Joint Embedding Predictive Architecture) を導入する。単相Darcyフローでは、PI-JEPAはFNOよりも1.9times$低いエラーと2.4times$低いエラーをDeepONetより$N_ell=100$で達成し、N_ell=500$で教師のみのトレーニングよりも24%改善した。
論文参考訳（メタデータ） (2026-04-01T20:02:56Z)
Hierarchical Federated Graph Attention Networks for Scalable and Resilient UAV Collision Avoidance [0.5505634045241287]
衝突回避を実践するためにバランスをとる必要がある最も重要な指標は、リアルタイムのパフォーマンス、敵のレジリエンス、プライバシー保護である。我々は適応型微分プライバシー機構を提案し,実時間脅威の評価に基づいて雑音レベル$(in [0.1, 1.0])$を動的に低減する。このアーキテクチャは500UAVのスケーラブルなシナリオを提供し、衝突速度は2.0%$、ビザンティンの耐障害性は$f n/3$である。
論文参考訳（メタデータ） (2025-11-05T12:01:00Z)
AdaPtis: Reducing Pipeline Bubbles with Adaptive Pipeline Parallelism on Heterogeneous Models [59.7059443712562]
AdaPtisは、適応パイプライン並列性をサポートする大規模言語モデル(LLM)のトレーニングシステムである。大規模な実験により、AdaPtisはMegatron-LM I-1F1Bよりも平均1.42倍(最大2.14倍)のスピードアップを達成した。
論文参考訳（メタデータ） (2025-09-28T08:05:13Z)
RePO: Understanding Preference Learning Through ReLU-Based Optimization [66.098833436503]
本稿では,ReLUに基づくPreference Optimization (RePO)を提案する。 RePOは、ロジスティック重み付けが二項しきい値に崩壊するSimPOの制限ケース(「infty$」の略)として特徴付けられる。 AlpacaEval 2 と Arena-Hard の実証結果は、RePO が複数のベースモデルで DPO と SimPO を上回っていることを示している。
論文参考訳（メタデータ） (2025-03-10T15:11:07Z)
FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文参考訳（メタデータ） (2022-10-26T00:23:36Z)
Robustifying $\ell_\infty$ Adversarial Training to the Union of Perturbation Models [120.71277007016708]
我々は、広く普及しているシングルアタック$ell_infty$ ATフレームワークの機能を拡張する。我々の手法はSNAP(Noss Augmented Processing)と呼ばれ、単一攻撃ATフレームワークの優れた副産物を利用する。 SNAPは、標準的なシングルアタックATを用いて、ネットワークパラメータとともに分布を学習する形状のノイズ増強層を持つ、与えられたディープネットをプリペイドする。
論文参考訳（メタデータ） (2021-05-31T05:18:42Z)

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。