Fugu-MT 論文翻訳(概要): The Geometry of Last-Layer Model Stealing

論文の概要: The Geometry of Last-Layer Model Stealing

arxiv url: http://arxiv.org/abs/2606.06854v1
Date: Fri, 05 Jun 2026 02:57:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.534331
Title: The Geometry of Last-Layer Model Stealing
Title（参考訳）: ラスト層モデルステアリングの幾何学
Authors: Snigdha Chandan Khilar,
Abstract要約: 本稿では、トランスネットワークの最終層をコピーするために必要な正確な条件を示す。研究は、モデルから何が盗まれるのか、何ができないのかを明確に示している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper uses geometry to explain how a machine learning model can be stolen using an already existing well-known method. The author has shown the exact conditions required to perfectly copy the final layer of a transformer network. When looking deeper into the hidden layers the author has explained clear limits. The author has also demonstrated that a hidden network cannot be fully reverse engineered just by looking at the final results. The research clearly maps out what can and cannot be stolen from a model.
Abstract（参考訳）: 本稿では,既存のよく知られた手法を用いて,機械学習モデルを盗む方法を説明する。筆者らはトランスネットワークの最終層を完璧にコピーするために必要な正確な条件を示した。隠れたレイヤを深く見ていくと、著者は明確な限界を説明した。著者らは、最終結果を見るだけで、隠れたネットワークを完全にリバースエンジニアリングすることはできないことも示している。この研究は、モデルから盗まれることとできないことを明確に示している。

関連論文リスト

Mechanistic Interpretability in the Presence of Architectural Obfuscation [0.0]
アーキテクチャ難読化(Architectural obfuscation)は、プライバシ保存型大言語モデル(LLM)推論における重み付き暗号の軽量代用である。我々は,代表的難読化マップを用いて,スクラッチから訓練したGPT-2小モデルを分析する。その結果,難読化は注目ヘッド内のアクティベーションパターンを劇的に変化させるが,層幅の計算グラフは保存されることがわかった。
論文参考訳（メタデータ） (2025-06-22T14:39:16Z)
Stealth edits to large language models [76.53356051271014]
モデルの編集可能性を評価するために、1つのメトリックを使用できることを示す。また、ステルス攻撃に対する言語モデルの脆弱性を明らかにします。
論文参考訳（メタデータ） (2024-06-18T14:43:18Z)
Imitating the Functionality of Image-to-Image Models Using a Single Example [24.819964498441635]
入力と出力のペアを観測することで、画像から画像への変換モデルの機能を模倣する可能性について検討する。ひとつの例でさえ、モデルの機能の模倣を学ぶのに十分であることがわかったのです。
論文参考訳（メタデータ） (2024-06-02T18:30:41Z)
Model Pairing Using Embedding Translation for Backdoor Attack Detection on Open-Set Classification Tasks [63.269788236474234]
バックドア検出のためのオープンセット分類タスクにモデルペアを用いることを提案する。このスコアは、異なるアーキテクチャのモデルがあるにもかかわらず、バックドアの存在を示す指標であることを示している。この技術は、オープンセット分類タスク用に設計されたモデル上のバックドアの検出を可能にするが、文献ではほとんど研究されていない。
論文参考訳（メタデータ） (2024-02-28T21:29:16Z)
TRIGS: Trojan Identification from Gradient-based Signatures [13.37492199234584]
機械学習モデルのトレーニングは非常に費用がかからない。事前訓練されたモデルはトロイア攻撃に感染することがある。本稿では,トロイの木馬モデルを検出する新しい方法を提案する。
論文参考訳（メタデータ） (2023-06-08T02:17:29Z)
Defending against Model Stealing via Verifying Embedded External Features [90.29429679125508]
トレーニングサンプルがなく、モデルパラメータや構造にアクセスできない場合でも、敵はデプロイされたモデルを盗むことができる。我々は、不審なモデルがディフェンダー特定遠近法の特徴の知識を含んでいるかどうかを検証することによって、他の角度からの防御を探索する。本手法は, 複数段階の盗難処理によって盗難モデルが得られた場合でも, 同時に異なる種類の盗難モデルを検出するのに有効である。
論文参考訳（メタデータ） (2021-12-07T03:51:54Z)
Reversible Watermarking in Deep Convolutional Neural Networks for Integrity Authentication [78.165255859254]
整合性認証のための可逆透かしアルゴリズムを提案する。可逆透かしを埋め込むことが分類性能に及ぼす影響は0.5%未満である。同時に、可逆的な透かしを適用することでモデルの完全性を検証することができる。
論文参考訳（メタデータ） (2021-04-09T09:32:21Z)
Deep Model Intellectual Property Protection via Deep Watermarking [122.87871873450014]
ディープニューラルネットワークは深刻なip侵害リスクにさらされている。ターゲットの深層モデルを考えると、攻撃者がその全情報を知っていれば、微調整で簡単に盗むことができる。低レベルのコンピュータビジョンや画像処理タスクで訓練されたディープネットワークを保護するための新しいモデル透かしフレームワークを提案する。
論文参考訳（メタデータ） (2021-03-08T18:58:21Z)

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。