論文の概要: MorphStrata: Layer-Specific Perturbations for Generating Morphence Students in Time-Series Moving Target Defense

• arxiv url: http://arxiv.org/abs/2606.17435v1
• Date: Tue, 16 Jun 2026 02:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.223094
• Title: MorphStrata: Layer-Specific Perturbations for Generating Morphence Students in Time-Series Moving Target Defense
• Title（参考訳）: MorphStrata: 時系列移動目標防衛におけるモルフス学生生成のための層特異的摂動
• Authors: Abhishek Bhardwaj, Arnav Doshi, Anusri Nagarajan, Thanh Quynh Nhu Ta, Mohammad Masum, Robert Chun, Jaydip Sen, Saptarshi Sengupta,
• Abstract要約: MorphStrataは、従来のMorphenceディフェンスを拡張した選択的層特異的ノイズ注入による学生生成戦略である。 MorphStrataはトランスフォーマーのバックボーンを教師として使用し、ランダムに選択されたアーキテクチャブロックを摂動することで、学生モデルにまたがって構造化されている。 我々は,ジェナ気候,電力負荷図,アプライアンスエネルギー予測などの一連のベンチマークを用いて,バニラトランスフォーマーとモルフェンスバックボーンの評価を行った。
• 参考スコア（独自算出の注目度）: 0.7120252419145398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting models remain vulnerable to gradient-based adversarial attacks while existing defense mechanisms typically incur a trade-off in robustness for bounded response and compute cost. The problem is pronounced in Moving Target Defense where maintaining multiple randomized model instances substantially exacerbates the training overhead. In this work, we introduce MorphStrata, a student generation strategy with selective, layer-specific stochastic noise injection that extends the traditional Morphence defense. MorphStrata uses a Transformer backbone as the teacher and perturbs randomly selected architectural blocks to create structured heterogeneity across student models in response to varied data distributions and threat models. We evaluate against vanilla Transformer and Morphence backbones on a suite of benchmarks including the Jena Climate, Electricity Load Diagrams, and Appliances Energy Prediction using FGSM, BIM and PGD attacks across multiple attack strengths. Across datasets and attack regimes, the proposed ensemble maintains comparable adversarial RMSE. Specifically, for high entropy, periodic datasets as in the case of the AEP data, MorphStrata achieves the lowest RMSE across all attacks and perturbation budgets, improving over the static baseline by up to 24.11% and 97.97% under FGSM and BIM respectively at an epsilon value of 0.5 over 30 randomized trials. Targeting the layers to generate MorphStrata students accounts for less than 1% increase in train-times over the Morphence MTD baseline for most of the experiments, while accounting for double digit gains in adversarial RMSE reduction. We also observe a positive correlation between higher pairwise L2 distance (among generated students) and overall defense effectiveness. In summary, MorphStrata maintains adversarial robustness as an MTD defense at marginal cost deltas when compared to existing baselines.
• Abstract（参考訳）: 時系列予測モデルは、グラデーションベースの敵攻撃に弱いままであり、既存の防御メカニズムは通常、境界応答と計算コストの堅牢性においてトレードオフを引き起こす。 問題は、複数のランダム化されたモデルインスタンスを維持することが、トレーニングのオーバーヘッドを大幅に悪化させる、移動目標防衛(Moving Target Defense)で発音される。 本研究では,MorphStrataについて紹介する。MorphStrataは,従来のMorphenceディフェンスを拡張した,選択的に層特異的な確率的ノイズ注入による学生生成戦略である。 MorphStrataはTransformerのバックボーンを教師として使用し、ランダムに選択されたアーキテクチャブロックを摂動することで、さまざまなデータ分散と脅威モデルに応答して、学生モデル全体の構造的不均一性を生成する。 我々は,Jena Climate, Electricity Load Diagrams, Appliances Energy Predictionなどの一連のベンチマークで,FGSM, BIM, PGD攻撃を複数の攻撃強度にわたって評価した。 データセットと攻撃体制全体にわたって、提案されたアンサンブルは、同等の敵RMSEを維持している。 具体的には、AEPデータのように高いエントロピー、周期的なデータセットに対して、MorphStrataは全ての攻撃と摂動予算で最低のRMSEを達成し、それぞれFGSMおよびBIMの下で最大24.11%、97.97%の静的ベースラインを0.5以上のランダム化試行で改善した。 MorphStrataの学生を育成するために層を標的にすると、ほとんどの実験ではMorphence MTDベースラインよりも列車時間が1%も増加しない。 また, 対方向L2距離(同級生)と総合防御効果との正の相関を考察した。 要約すると、MorphStrataは、既存のベースラインと比較して、限界コストデルタにおけるMTD防御として、敵の堅牢性を維持している。

関連論文リスト

• MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
  異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。 単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。 また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
  論文  参考訳（メタデータ） (2026-03-15T19:03:34Z)
• Adaptive Defense against Harmful Fine-Tuning for Large Language Models via Bayesian Data Scheduler [67.24175911858312]
  有害な微調整は、大規模な言語モデルのための微調整・アズ・ア・サービスに重大な安全性のリスクをもたらす。 Bayesian Data Scheduler (BDS) は、アタックシミュレーションを必要としない適応型チューニングステージ防衛戦略である。 BDSは、微調整データセットとアライメントデータセットに基づいて、各データポイントの安全属性の後方分布を学習する。
  論文  参考訳（メタデータ） (2025-10-31T04:49:37Z)
• Analysis of the vulnerability of machine learning regression models to adversarial attacks using data from 5G wireless networks [0.0]
  FGSM法を用いて勾配の最大化を行う。 歪みデータ検出における二進勾配攻撃の有効性を比較検討する。
  論文  参考訳（メタデータ） (2025-05-01T12:36:05Z)
• Defense Against Model Extraction Attacks on Recommender Systems [53.127820987326295]
  本稿では、モデル抽出攻撃に対するリコメンデータシステムに対する防御のために、グラディエントベースのランキング最適化(GRO)を導入する。 GROは、攻撃者の代理モデルの損失を最大化しながら、保護対象モデルの損失を最小限にすることを目的としている。 その結果,モデル抽出攻撃に対するGROの防御効果は良好であった。
  論文  参考訳（メタデータ） (2023-10-25T03:30:42Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Morphence-2.0: Evasion-Resilient Moving Target Defense Powered by Out-of-Distribution Detection [13.674351273679457]
  敵の例に対する防御のために,OoD(out-of-distriion)検出を応用したMTDであるMorphence-2.0を導入する。 Morphence-2.0はベースモデルから生成されたモデルのプールを、予測クエリに応答するときに十分なランダム性をもたらす方法で展開する。 また,Morphence-2.0は,クリーンデータに対する精度を保ちつつ,攻撃伝達性を低下させつつ,防御性能を常に向上させることを示した。
  論文  参考訳（メタデータ） (2022-06-15T06:51:09Z)
• Bilateral Dependency Optimization: Defending Against Model-inversion Attacks [61.78426165008083]
  本稿では,モデル反転攻撃に対する二元的依存性最適化(BiDO)戦略を提案する。 BiDOは、さまざまなデータセット、分類器、MI攻撃に対する最先端の防御性能を達成する。
  論文  参考訳（メタデータ） (2022-06-11T10:07:03Z)
• Resilience from Diversity: Population-based approach to harden models against adversarial attacks [0.0]
  この研究は、敵の攻撃に対して回復力のあるモデルを導入する。 我々のモデルは、生物科学から確立された原則を生かし、人口多様性は環境変化に対して弾力性を生み出す。 Counter-Linked Model (CLM) は、周期的ランダム類似性検査を行う同じアーキテクチャのサブモデルで構成されている。
  論文  参考訳（メタデータ） (2021-11-19T15:22:21Z)
• Morphence: Moving Target Defense Against Adversarial Examples [3.822543555265593]
  モフレンス(英: Morphence)は、モデルを敵の例に対して動くターゲットにすることで、防御的景観を変えるアプローチである。 Morphenceはベースモデルから生成されたモデルのプールを、予測クエリに応答するときに十分なランダム性をもたらす方法で展開する。 あらゆるケースにおいて、モルフェンスは、強力なホワイトボックス攻撃に直面した場合でも、そのように遠くの効果的な防御、敵の訓練を一貫して上回っている。
  論文  参考訳（メタデータ） (2021-08-31T16:18:15Z)

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。