Fugu-MT 論文翻訳(概要): Breaking TinyML: Why Quantized Neural Networks Need Domain-Specific Security Analysis

論文の概要: Breaking TinyML: Why Quantized Neural Networks Need Domain-Specific Security Analysis

arxiv url: http://arxiv.org/abs/2606.14427v1
Date: Fri, 12 Jun 2026 13:05:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-15 16:00:42.907197
Title: Breaking TinyML: Why Quantized Neural Networks Need Domain-Specific Security Analysis
Title（参考訳）: TinyMLを破る:なぜ量子ニューラルネットワークはドメイン固有のセキュリティ分析を必要とするのか
Authors: Jacob Huckelberry, Andrea Mattia Garavagno, Yuke Zhang, Peter A. Beerel, James Mickens, Vijay Janapa Reddi,
Abstract要約: TinyMLハードウェアにおける量子化のセキュリティ面はほとんど未検討のままである。本稿は、QNNコンテキストにおける2段階攻撃パイプラインが現在の最先端技術を上回ることができることを示す。
参考スコア（独自算出の注目度）: 18.753867964657815
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most TinyML hardware accelerators focus on supporting Quantized Neural Networks (QNNs) to meet stringent constraints on power consumption and size. Despite this, the security aspects of quantization within TinyML hardware remain largely unexplored. Although previous studies indicate that QNNs demonstrate similar or enhanced robustness when compared to full-precision Deep Neural Networks (DNNs) against typical evasion attacks, no attack strategies tailored specifically for TinyML hardware have been proposed yet. This paper addresses this shortfall by demonstrating how a two-step attack pipeline can surpass the current state-of-the-art in the QNN context and shows the need for more hardware-aware security research.
Abstract（参考訳）: TinyMLハードウェアアクセラレータのほとんどは、消費電力とサイズに関する厳しい制約を満たすために、量子ニューラルネットワーク(QNN)のサポートに重点を置いている。それにもかかわらず、TinyMLハードウェアにおける量子化のセキュリティ面はほとんど解明されていない。以前の研究では、QNNは一般的な回避攻撃に対する完全精度のDeep Neural Networks(DNN)と比較して、類似または強化された堅牢性を示しているが、TinyMLハードウェアに特化した攻撃戦略はまだ提案されていない。本稿は、QNNコンテキストにおける2段階攻撃パイプラインが現在の最先端技術を超え、よりハードウェア対応のセキュリティ研究の必要性を示すことによって、この欠点に対処する。

関連論文リスト

TinyML Security: Exploring Vulnerabilities in Resource-Constrained Machine Learning Systems [12.33137384257399]
Tiny Machine Learning (TinyML)システムは、リソースに制約のあるデバイス上での機械学習推論を可能にする。 TinyMLモデルはセキュリティ上のリスクを生じさせ、重み付けによって機密性の高いデータやクエリインターフェースをエンコードする可能性がある。この論文は、TinyMLのセキュリティ脅威に関する最初の徹底的な調査を提供する。
論文参考訳（メタデータ） (2024-11-11T16:41:22Z)
Enhancing TinyML Security: Study of Adversarial Attack Transferability [0.35998666903987897]
この研究は、リソース制約の組込みハードウェア上でAIモデルの敵対的脆弱性を掘り下げるものである。以上の結果から,強力なホストマシンからの敵攻撃は,ESP32やRaspberry Piなど,より小型で安全性の低いデバイスに転送される可能性が示唆された。このことは、敵対的攻撃が小さなデバイスに拡張され、脆弱性が強調され、TinyMLデプロイメントにおける強化されたセキュリティ対策の必要性を強調していることを示している。
論文参考訳（メタデータ） (2024-07-16T10:55:25Z)
Scaling #DNN-Verification Tools with Efficient Bound Propagation and Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。 DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文参考訳（メタデータ） (2023-12-10T13:51:25Z)
Quantization-aware Neural Architectural Search for Intrusion Detection [5.010685611319813]
本稿では、最先端NNの1000倍の規模を持つ量子化ニューラルネットワーク(NN)モデルを自動的に訓練し、進化させる設計手法を提案する。 FPGAにデプロイする際にこのネットワークが利用するLUTの数は2.3倍から8.5倍と小さく、性能は以前の作業に匹敵する。
論文参考訳（メタデータ） (2023-11-07T18:35:29Z)
Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文参考訳（メタデータ） (2022-11-29T13:32:38Z)
A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文参考訳（メタデータ） (2022-02-11T10:21:34Z)
Building Compact and Robust Deep Neural Networks with Toeplitz Matrices [93.05076144491146]
この論文は、コンパクトで、訓練が容易で、信頼性があり、敵の例に対して堅牢なニューラルネットワークを訓練する問題に焦点を当てている。 Toeplitzファミリーの構造化行列の特性を利用して、コンパクトでセキュアなニューラルネットワークを構築する。
論文参考訳（メタデータ） (2021-09-02T13:58:12Z)
Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文参考訳（メタデータ） (2021-01-28T16:18:19Z)
DeepHammer: Depleting the Intelligence of Deep Neural Networks through Targeted Chain of Bit Flips [29.34622626909906]
量子化ディープニューラルネットワーク(DNN)に対するハードウェアベースの最初の攻撃を実演する。 DeepHammerは、数分で実行時にDNNの推論動作を修正することができる。私たちの研究は、将来のディープラーニングシステムにセキュリティメカニズムを組み込む必要性を強調しています。
論文参考訳（メタデータ） (2020-03-30T18:51:59Z)
Skip Connections Matter: On the Transferability of Adversarial Examples Generated with ResNets [83.12737997548645]
スキップ接続は、現在最先端のディープニューラルネットワーク(DNN)の重要な構成要素であるスキップ接続を使用することで、高度に転送可能な逆例を簡単に生成できる。我々は、ResNets、DenseNets、Inceptions、Inception-ResNet、Squeeze-and-Excitation Network (SENet)を含む最先端DNNに対する包括的な転送攻撃を行う。
論文参考訳（メタデータ） (2020-02-14T12:09:21Z)

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。