論文の概要: Detecting Hidden ML Training With Zero-Overhead Telemetry

• arxiv url: http://arxiv.org/abs/2606.19262v1
• Date: Wed, 17 Jun 2026 16:39:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.275098
• Title: Detecting Hidden ML Training With Zero-Overhead Telemetry
• Title（参考訳）: Zero-Overhead Telemetry を用いた隠れMLトレーニングの検出
• Authors: Robi Rahman, Sabiha Tajdari,
• Abstract要約: GPUワークロードのハードウェア対応監視は、AIコンピューティングガバナンスのための多くの提案を基盤としているが、開発者が監視メカニズムを破ることができれば、そのようなスキームは動作不能である。 我々は,ゼロオーバーヘッド・プライバシ保存型NVMLテレメトリのみを用いて,GPUワークロード分類の逆方向の堅牢性を評価する。 我々は、コーパス全体にわたるトレーニングワークロードを特定するための98.2%のバイナリ精度と、最も困難な予期せぬワークロードに対して43～87%の精度を達成する分類器を開発する。
• 参考スコア（独自算出の注目度）: 0.5633936331890176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hardware-enabled monitoring of GPU workloads underpins many proposals for AI compute governance, but if developers can defeat monitoring mechanisms, such schemes are unworkable. We evaluate the adversarial robustness of GPU workload classification using only zero-overhead, privacy-preserving NVML telemetry: content-agnostic signals that observe physical effects of computation without accessing model weights, training data, or hyperparameters. Across 5 rounds of monitor-evader iteration, we evaluate 20 evasion strategy families on 9 GPU models spanning 4 architecture generations. We develop a classifier that achieves 98.2% binary accuracy at identifying training workloads across the whole corpus, and 43-87% accuracy against the most challenging unexpected workloads even when they are adversarially disguised.
• Abstract（参考訳）: GPUワークロードのハードウェア対応監視は、AIコンピューティングガバナンスのための多くの提案を基盤としているが、開発者が監視メカニズムを破ることができれば、そのようなスキームは動作不能である。 モデル重み、トレーニングデータ、ハイパーパラメータにアクセスせずに計算の物理的効果を観測するコンテンツ非依存信号である、ゼロオーバーヘッド、プライバシ保存型NVMLテレメトリのみを用いて、GPUワークロード分類の逆ロバスト性を評価する。 監視・回避イテレーションの5ラウンドにわたって,4世代にわたる9つのGPUモデル上での回避戦略ファミリを20種類評価した。 我々は、コーパス全体にわたるトレーニングワークロードを特定するための98.2%のバイナリ精度と、最も困難な予期せぬワークロードに対して43～87%の精度を達成する分類器を開発する。

関連論文リスト

• Timing and Memory Telemetry on GPUs for AI Governance [3.3108773921973316]
  本稿では,計算活動と相関する時間とメモリベースの観測値を生成する計測フレームワークを提案する。 これらのプリミティブは、信頼できるファームウェア、エンクレーブ、ベンダーが管理するカウンタなしでも観測可能なGPUエンゲージメントの統計的および行動的指標を提供する。
  論文  参考訳（メタデータ） (2026-02-10T03:20:06Z)
• Large Language Model-Based Framework for Explainable Cyberattack Detection in Automatic Generation Control Systems [5.99333254967625]
  本稿では,機械学習(ML)と自然言語説明(LLM)を統合し,サイバー攻撃を検出するハイブリッドフレームワークを提案する。 提案するフレームワークは,解釈可能な高忠実な説明によるリアルタイム検出を効果的に実現し,スマートグリッドサイバーセキュリティにおける実行可能なAIの重要要件に対処する。
  論文  参考訳（メタデータ） (2025-07-29T21:23:08Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
  本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。 VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。 我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
  論文  参考訳（メタデータ） (2024-06-14T17:49:55Z)
• Deep Learning-based Embedded Intrusion Detection System for Automotive CAN [12.084121187559864]
  このような脅威を検知し、対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルは極めて効果的である。 我々は,専用ハードウェアアクセラレータを通じて,IDS機能を透過的に統合可能なFPGAベースのハイブリッドECUアプローチを提案する。 提案手法では,複数の攻撃データセットの平均精度が99%以上であり,検出レートは0.64%であった。
  論文  参考訳（メタデータ） (2024-01-19T13:13:38Z)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)
• Quantized Neural Networks for Low-Precision Accumulation with Guaranteed Overflow Avoidance [68.8204255655161]
  本稿では,推定時のアキュムレータの精度を下げる際に,数値オーバーフローを回避する量子化学習アルゴリズムを提案する。 本手法は,浮動小数点点ベースラインに対するモデル精度を維持しつつ,アキュムレータの精度を低減できることを示す。
  論文  参考訳（メタデータ） (2023-01-31T02:46:57Z)

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。