論文の概要: Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines

• arxiv url: http://arxiv.org/abs/2607.24692v1
• Date: Mon, 27 Jul 2026 17:34:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.523373
• Title: Denial of Deadline: Network-Driven Accuracy Collapse in Distributed Inference Pipelines
• Title（参考訳）: デッドラインの否定:分散推論パイプラインにおけるネットワーク駆動の精度の崩壊
• Abstract要約: 推論システムは、アプリケーションの遅延期限内に予測を返す高速パスと、高い精度の遅いパスをますます組み合わせています。 形状のワークロード攻撃が共有リソースの競合を悪用し、遅延期限を逸脱したユーザ予測を遅くする方法が示されています。 自律運転における2層エッジクラウドマルチオブジェクト追跡パイプラインにおける精度の崩壊を実証する。
• 参考スコア（独自算出の注目度）: 31.515415657058906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference systems increasingly combine a fast path that returns predictions within the application's latency deadline together with a higher-accuracy slow path that runs higher-compute methods on stronger, remote hardware, so its results can be returned on time and combined with the fast path predictions. Across several application domains, we abstract this inference architecture as a fast path, a slow path, and a coordination layer with two functions: a router that invokes the slow path and a merger that decides whether to incorporate its returned predictions. In this work, we show that this new coordination layer exposes a new attack surface: shaped workload attacks, e.g., Yo-Yo bursts, can exploit contention at shared resources along the slow path to push benign users' slow-path predictions past their latency deadlines. The merger then discards those predictions, while the fast path continues to return timely outputs. We refer to the resulting loss of slow-path accuracy benefits as accuracy collapse. We demonstrate accuracy collapse in a two-tier edge-cloud multi-object tracking pipeline in autonomous driving. In simulation, approximately 4,000 burst-shaped requests increase benign p99 latency from 92ms to 2s, nearly eliminating the benefit of the slow path's cloud inference, reducing object tracking quality by 7.0 HOTA points on average. We further find that accuracy degradation can significantly vary (2.0-18.7 HOTA points), depending on the video intervals that are targeted in the attack, and that certain rare classes (e.g., stop signs) lose nearly half of their pre-attack prediction accuracy. These results show that workload attacks can degrade prediction quality without needing either access to model weights or victim data, and motivate research on attacks and defenses for routing, merging, scheduling, and resource isolation in these emerging inference pipeline architectures.
• Abstract（参考訳）: 推論システムは、アプリケーションの遅延期限内に予測を返す高速なパスと、より強力なリモートハードウェア上でより高精度なメソッドを実行する高速なスローパスを組み合わせることで、その結果を時間通りに返却し、高速なパス予測と組み合わせることができる。 いくつかのアプリケーション領域において、この推論アーキテクチャを高速パス、スローパス、および2つの機能を持つ調整層として抽象化する。 本研究では,この新たなコーディネート層が新たな攻撃面を露呈することを示す。例えば,Yo-Yoバーストのような形状のワークロード攻撃は,共有リソースにおける競合を利用して遅延期限を超えて,良質なユーザのスローパス予測をプッシュする。 合併はこれらの予測を捨て、高速な経路はタイムリーな出力を返す。 遅延パス精度の利点の損失を、精度の崩壊として言及する。 自律運転における2層エッジクラウドマルチオブジェクト追跡パイプラインにおける精度の崩壊を実証する。 シミュレーションでは、約4,000のバースト形式の要求により、92msから2sへの良質なp99レイテンシが増加し、スローパスのクラウド推論の利点をほとんど排除し、オブジェクトトラッキングの品質を平均7.0HOTAポイント削減した。 さらに、攻撃対象のビデオ間隔によって精度の劣化が著しく変化すること(2.0-18.7 HOTA点)、また、一部の稀なクラス(例えば、停止標識)が攻撃前予測精度のほぼ半分を失うことが判明した。 これらの結果は、ワークロードアタックがモデルウェイトや犠牲者データへのアクセスを必要とせずに予測品質を低下させ、これら新興の推論パイプラインアーキテクチャにおけるルーティング、マージ、スケジューリング、リソース分離のためのアタックとディフェンスの研究を動機付けていることを示している。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
  UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。 生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
  論文  参考訳（メタデータ） (2026-04-15T07:43:06Z)
• Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
  単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。 プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。 本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
  論文  参考訳（メタデータ） (2026-04-06T18:14:53Z)
• Trajectory Imputation in Multi-Agent Sports with Derivative-Accumulating Self-Ensemble [16.79253001706658]
  提案するMIDAS(Multi-Adnt Imputer with Derivative-Accumulating Self-Enmble)は,多エージェント軌道を高精度かつ物理的に再現できるフレームワークである。 3つのスポーツデータセットの実験では、MIDASは位置精度と物理的妥当性の両方において既存のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2024-08-20T14:08:16Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction Transformer [0.9786690381850356]
  PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。 これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。 我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
  論文  参考訳（メタデータ） (2022-03-17T12:52:23Z)
• Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph Convolutional Network for Multi-class Trajectory Prediction [9.238700679836855]
  グラフ畳み込みニューラルネットワークにクラス情報を導入し、個人の軌道をより正確に予測する。 AADE(Average2 Displacement Error)とaFDE(Average Final Deplacement Error)と呼ばれる新しいメトリクスを提案する。 既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-08-10T15:02:50Z)
• LTN: Long-Term Network for Long-Term Motion Prediction [0.0]
  長期ネットワーク(LTN)と呼ばれる長期軌道予測のための2段階フレームワークを提案する。 まず,条件付き変分オートエンコーダ(CVAE)を用いて提案したトラジェクトリの集合を生成し,それらをバイナリラベルで分類し,最も高いスコアでトラジェクトリを出力する。 その結果,提案手法は,長期軌道予測における複数の最先端手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-10-15T17:59:09Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)

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。