論文の概要: Does Distributed Training Undermine Compute Governance?

• arxiv url: http://arxiv.org/abs/2605.29359v1
• Date: Thu, 28 May 2026 04:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.744686
• Title: Does Distributed Training Undermine Compute Governance?
• Title（参考訳）: 分散トレーニングはコンピューティングガバナンスを損なうか?
• Abstract要約: 分散トレーニングアルゴリズムの進歩により、開発者は分散アグロメレーションのハードウェア上でフロンティアスケールのトレーニングを実行できる。 本稿では,そのような回避の可能性を評価し,推奨対策について概説する。
• 参考スコア（独自算出の注目度）: 0.6655749439594806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compute governance proposals often rely on the assumption that frontier AI training requires large, detectable computing clusters. However, recent advances in distributed training algorithms could allow developers to conduct frontier-scale training on distributed agglomerations of hardware, rather than needing large datacenter facilities. Developers who prefer not to be constrained by regulations may structure their hardware in a manner that evades the registration and monitoring requirements associated with compute governance. Therefore, regulations must be designed to detect and prevent illicit distributed training operations. This paper evaluates the feasibility of such evasion and outlines recommended countermeasures, including whistleblowing, chip tracking, forensic accounting, and memory and compute thresholds for clusters.
• Abstract（参考訳）: コンピューティングガバナンスの提案は、フロンティアAIトレーニングが大規模で検出可能なコンピューティングクラスタを必要とするという仮定に依存することが多い。 しかし、最近の分散トレーニングアルゴリズムの進歩により、開発者は大規模なデータセンターの設備を必要とせず、ハードウェアの分散アグロメレーションにおけるフロンティアスケールのトレーニングを実行できるようになる。 規制に拘束されることを好まない開発者は、コンピューティングガバナンスに関連する登録と監視の要件を回避する方法で、ハードウェアを構成できる。 したがって、不正な分散トレーニングを検知し、予防するために規制を設計する必要がある。 本稿では,そのような回避の可能性を評価し,ホイッスルブロイング,チップトラッキング,法医学会計,クラスタのメモリと計算しきい値など,推奨する対策について概説する。

関連論文リスト

• A Cascaded Unsupervised-Supervised NLP Pipeline for Detecting Accusatory Language in Public Procurement [0.14658400971135652]
  本稿では,エクアドルのSistema Oficial de Contratacin Pblica (SOCE, Official Public Procurement System)のメタデータを分析する。 本研究では、教師なしクラスタリングと教師なし分類を自然言語処理(NLP)パイプラインに統合し、潜在パターンを発見し、潜在的に不規則な調達プロセスを検出するハイブリッドモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-12T17:09:14Z)
• Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
  テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。 我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:12:12Z)
• \ exttt{Range-Arithmetic}: Verifiable Deep Learning Inference on an Untrusted Party [14.282969274113066]
  textttRange-Arithmeticは、非算術演算をsum-checkプロトコルとMatrixd Rangeを使って検証可能なステップに変換する。 提案手法は,既存手法の性能に適合するだけでなく,計算コストの低減も図っている。
  論文  参考訳（メタデータ） (2025-05-23T08:33:50Z)
• Defending Compute Thresholds Against Legal Loopholes [0.7234862895932991]
  既存のAIに関する法的フレームワークは、潜在的に危険なAIモデルを特定するプロキシとして、計算しきい値のトレーニングに依存している。 モデル能力の保存や増大を図りながら、トレーニング計算の使用量を減らし得る強化手法について検討する。 これらの能力向上と計算省力化技術は、既存のトレーニング計算しきい値の法的な抜け穴となる可能性がある。
  論文  参考訳（メタデータ） (2025-01-03T12:07:21Z)
• Training Compute Thresholds: Features and Functions in AI Regulation [0.7234862895932991]
  米国とEUのレギュレータは、トレーニング計算に基づくしきい値を使用して、大規模社会被害のリスクを引き起こす可能性のあるGPAIモデルを特定している。 現在、トレーニング計算は、規制の監視とさらなる精査に値するGPAIモデルを特定するのに最も適した指標である、と我々は主張する。 GPAI技術と市場構造が進化するにつれて、規制当局は計算しきい値を更新し、他のメトリクスを規制審査プロセスに補完する必要がある。
  論文  参考訳（メタデータ） (2024-05-17T14:10:24Z)
• Optimistic Verifiable Training by Controlling Hardware Nondeterminism [22.85808027490485]
  トレーニング中のGPUタイプ間の非決定性は、トレーニングプロセスの正確な複製を防ぐ。 本稿では,目標よりも高精度なトレーニング,中間計算後のラウンドリング,適応的しきい値決定に基づくラウンドリング決定の共有を併用する手法を提案する。 検証可能なトレーニング手法は,証明ベースシステムと比較して,ストレージと時間コストを著しく削減する。
  論文  参考訳（メタデータ） (2024-03-14T17:44:35Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• Lyapunov Density Models: Constraining Distribution Shift in Learning-Based Control [64.61499213110334]
  我々はエージェントを訓練された状態や行動に制約するメカニズムを模索する。 制御理論において、リャプノフ安定性と制御不変集合は、コントローラについて保証することを可能にする。 密度モデルによって トレーニングデータの分布を推定できます
  論文  参考訳（メタデータ） (2022-06-21T16:49:09Z)
• Secure Distributed Training at Scale [65.7538150168154]
  ピアの存在下でのトレーニングには、ビザンティン寛容な特殊な分散トレーニングアルゴリズムが必要である。 本稿では,コミュニケーション効率を重視したセキュアな(ビザンチン耐性)分散トレーニングのための新しいプロトコルを提案する。
  論文  参考訳（メタデータ） (2021-06-21T17:00:42Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Toward Smart Security Enhancement of Federated Learning Networks [109.20054130698797]
  本稿では,フェデレートラーニングネットワーク(FLN)の脆弱性について概説し,毒殺攻撃の概要を紹介する。 FLNのためのスマートセキュリティ強化フレームワークを提案する。 深層強化学習は、良質なトレーニング結果を提供するエッジデバイス(ED)の挙動パターンを学ぶために応用される。
  論文  参考訳（メタデータ） (2020-08-19T08:46:39Z)
• An Information Bottleneck Approach for Controlling Conciseness in Rationale Extraction [84.49035467829819]
  我々は,情報ボトルネック(IB)の目的を最適化することで,このトレードオフをよりよく管理できることを示す。 我々の完全教師なしのアプローチは、文上のスパース二項マスクを予測する説明器と、抽出された合理性のみを考慮したエンドタスク予測器を共同で学習する。
  論文  参考訳（メタデータ） (2020-05-01T23:26:41Z)

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。