論文の概要: Integrity of peer-to-peer distributed LLM inference under malicious nodes

• arxiv url: http://arxiv.org/abs/2607.19490v1
• Date: Tue, 21 Jul 2026 18:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.90326
• Title: Integrity of peer-to-peer distributed LLM inference under malicious nodes
• Title（参考訳）: ピア・ツー・ピア分散LLM推論の悪意ノード下での積分性
• Abstract要約: Peer-to-Peer分散推論は、多くのノードにその層を広げることで、プールされたコンシューマハードウェア上でLarge Language Model(LLM)を実行する。 いずれのパーティも、そのレイヤの出力を改ざんして、最終的な結果を損なうことができる。 本稿では,各ノードが次のノードに渡すアクティベーションの変動を測定することによって,出力の完全性をチェックする手法を提案する。
• 参考スコア（独自算出の注目度）: 1.6328866317851185
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Peer-to-peer distributed inference executes a Large Language Model (LLM) on pooled consumer hardware by spreading its layers across many nodes. Every request passes through nodes that are owned and controlled by multiple independent parties. However, in this setting, any party can tamper with the output of its layers to corrupt the end result. Recomputing the forward pass on trusted hardware can catch this, but it introduces additional computational cost. The scientific literature includes several prior integrity-checking approaches, such as known-answer traps for image classifiers and cryptographic commitments. However, these solutions test only the exact correctness and do not account for the ordinary variation that may arise between benign nodes. In this paper, we propose a method that checks the output integrity by measuring the variation in the activations that each node passes to the next. A peer who wants to use the network selects a small set of secret canary inputs whose correct activations are known in advance and mixes them into regular traffic. Because the peers cannot tell a canary from a real query, any tampering node corrupts them as well. The deviation from the known reference then reveals malicious activity: benign nodes exhibit only minor variation from hardware-induced noise, whereas tampered nodes deviate far more. We treat the identification of malicious nodes as a probabilistic test that separates two drift distributions, without relying on a fixed threshold. We study 408 configurations with metrics and success criteria fixed before any experiment ran; the detector reaches AUROC 1.0, correctly ranking the malicious shard above every benign shard on every canary in every configuration.
• Abstract（参考訳）: Peer-to-Peer分散推論は、多くのノードにその層を広げることで、プールされたコンシューマハードウェア上でLarge Language Model(LLM)を実行する。 すべてのリクエストは、複数の独立したパーティによって所有され、制御されるノードを通過します。 しかし、この設定では、どのパーティもそのレイヤの出力を改ざんして最終的な結果を損なうことができる。 信頼されたハードウェアに対するフォワードパスの計算は、これをキャッチできるが、さらなる計算コストがもたらされる。 科学文献には、画像分類器の既知の問合せトラップや暗号コミットなど、いくつかの事前の整合性チェックアプローチが含まれている。 しかし、これらの解は正確な正しさのみをテストし、良性ノード間で発生する通常の変動を考慮しない。 本稿では,各ノードが次に通過するアクティベーションの変動を測定し,出力の完全性をチェックする手法を提案する。 ネットワークを利用したいピアは、適切なアクティベーションが事前に分かっている秘密のカナリア入力の小さなセットを選択し、それらを通常のトラフィックに混ぜる。 ピアが実際のクエリからカナリアを区別できないため、改ざんノードもそれらを破損させる。 良質なノードは、ハードウェアが引き起こしたノイズから小さな変化しか示さないが、改ざんされたノードは、はるかに逸脱している。 本研究では,2つのドリフト分布を分離する確率的テストとして,悪意のあるノードの同定を扱う。 検知器はAUROC 1.0に到達し、すべての構成においてすべてのカナリアの良性シャードの上に悪意のあるシャードを正しくランク付けする。

関連論文リスト

• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• HadAgent: Harness-Aware Decentralized Agentic AI Serving with Proof-of-Inference Blockchain Consensus [4.693243537924961]
  我々は、ハッシュベースのマイニングをProof-of-Inference(PoI)に置き換える分散エージェントAIサービスシステムであるHadAgentを紹介する。 HadAgentは、検証済みのレコードを専用のData、MODEL、PROFチャンネルを備えた3車線のブロックボディに整理する。 プロトタイプ実装の実験では、改ざんされたレコードに対して100%検出率と0%偽陽性率を示す。
  論文  参考訳（メタデータ） (2026-04-15T14:46:29Z)
• GroupEnsemble: Efficient Uncertainty Estimation for DETR-based Object Detection [10.241307426902178]
  GroupEnsembleはDTRのようなモデルに対する効率的かつ効果的な不確実性推定手法である。 我々は,都市景観とCOCOデータセットを用いて,自律運転シーンと日常の日常シーン下での手法の有効性を検証した。 その結果,MC-Dropout と GroupEnsemble を組み合わせたハイブリッドアプローチは,Deep Ensembles をコストのごく一部で実現していることがわかった。
  論文  参考訳（メタデータ） (2026-03-02T13:26:40Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• FLoW3 -- Web3 Empowered Federated Learning [0.0]
  フェデレートラーニングは、データポジショニング、モデルポジショニング、中間攻撃における人など、さまざまな種類の攻撃に影響を受けやすい。 バリデーションはNoverety DetectionとSnowballプロトコルを使用してコンセンサスによって行われる。 システムは、スマートコントラクト開発のためのpythonとFoundryの実装によって実現される。
  論文  参考訳（メタデータ） (2023-12-09T04:05:07Z)
• RecAGT: Shard Testable Codes with Adaptive Group Testing for Malicious Nodes Identification in Sharding Permissioned Blockchain [8.178194928962311]
  本稿では,通信オーバヘッドの低減と潜在的な悪意のあるノードの特定を目的とした新しい識別手法であるRecAGTを提案する。 まず、シャードテスト可能なコードは、機密データが漏洩した場合に元のデータをエンコードするように設計されている。 第二に、悪意のある行動に対する証拠として、新しいアイデンティティ証明プロトコルが提示される。 第3に、悪意のあるノードを特定するために適応的なグループテストが選択される。
  論文  参考訳（メタデータ） (2023-11-05T07:43:48Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Collective Robustness Certificates: Exploiting Interdependence in Graph Neural Networks [71.78900818931847]
  ノード分類、画像分割、名前付き一致認識といったタスクでは、複数の予測を同時に出力する分類器があります。 既存の対向ロバスト性証明は、それぞれの予測を独立に考慮し、従ってそのようなタスクに対して過度に悲観的である。 本稿では,摂動下で安定に保たれることが保証される予測数を計算した最初の集合ロバスト性証明を提案する。
  論文  参考訳（メタデータ） (2023-02-06T14:46:51Z)
• QuTE: decentralized multiple testing on sensor networks with false discovery rate control [93.1040521878626]
  本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。 異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。 各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
  論文  参考訳（メタデータ） (2022-10-09T19:48:39Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)

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。