論文の概要: Algebraic Attack on Convolutional Neural Networks with Max Pooling

• arxiv url: http://arxiv.org/abs/2608.08030v1
• Date: Sat, 08 Aug 2026 09:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.613804
• Title: Algebraic Attack on Convolutional Neural Networks with Max Pooling
• Title（参考訳）: 最大プールを用いた畳み込みニューラルネットワークの代数的攻撃
• Authors: Zirui Chen, Shi Tang, Zhengchao Gao, Yongjia Su, Lingyue Qin, Xiaoyang Dong,
• Abstract要約: 我々は,最大プーリング機能を備えたCNNに適した最初の暗号解析抽出攻撃を提案する。 我々はCNNにおける2つの新しい臨界点を同定する: ReLU-Pooling Critical Points (RPCPs) と Pooling Switching Points (PSPs) である。
• 参考スコア（独自算出の注目度）: 4.621555619872168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering the weights and biases of deep neural networks (DNNs) via black-box input-output queries, known as parameter extraction attacks, has been extensively studied for ReLU-based fully connected neural networks (FCNNs), but remains unexplored for convolutional neural networks (CNNs) with the max pooling function, a core architecture for computer vision and multimedia processing. The key challenge lies in the CNN max pooling layer, which introduces an additional non-linearity and hides ReLU critical points, rendering existing FCNN extraction methods inapplicable. To address this gap, we propose the first cryptanalytic extraction attack tailored for CNNs with the max pooling function. First, we establish an algebraic representation of CNNs, formally proving that CNNs are piecewise linear functions enabling the extension of linearity-based extraction principles. We then identify two novel types of critical points in CNNs: ReLU-Pooling Critical Points (RPCPs) and Pooling Switching Points (PSPs). We design complementary extraction techniques: a pattern matching method for RPCPs to recover partial signatures and signs, and an internal differential extraction attack for PSPs, inspired by cryptographic internal differential analysis, to recover high-accuracy signatures. Given that PSPs are far more abundant than RPCPs and yield a highly efficient extraction method, and that RPCPs are indispensable for bias recovery, we integrate both methods: the PSP method enables efficient signature extraction, while a single RPCP recovers the sign and bias. We evaluate our attack on multiple CNN architectures, including modern adaptations of LeNet-5, trained on random data, MNIST, and CIFAR-10. Experimental results demonstrate that our approach achieves high extraction accuracy with polynomial query complexity and runtime, even for deep CNN layers. This work fills a research gap in CNN security.
• Abstract（参考訳）: パラメータ抽出攻撃として知られるブラックボックス入力出力クエリによるディープニューラルネットワーク(DNN)の重みとバイアスの回収は、ReLUベースの完全連結ニューラルネットワーク(FCNN)で広く研究されているが、コンピュータビジョンとマルチメディア処理のコアアーキテクチャである最大プーリング機能を備えた畳み込みニューラルネットワーク(CNN)では探索されていない。 鍵となる課題は、CNN Maxプール層にある。これは追加の非線形性を導入し、ReLUクリティカルポイントを隠蔽し、既存のFCNN抽出メソッドを適用不可能にする。 このギャップに対処するために,最大プーリング機能を備えたCNNに適した最初の暗号解析抽出攻撃を提案する。 まず,CNNの代数的表現を確立し,CNNが線形関数であることを示す。 次に、CNNにおいて、ReLU-Pooling critical Points (RPCPs)とPooling Switching Points (PSPs)の2つの新しいタイプの臨界点を同定する。 我々は,部分署名と符号を復元するRPCPのパターンマッチング手法と,暗号内差分解析にインスパイアされたPSPの内部差分抽出攻撃を設計し,高精度なシグネチャを復元する。 PSP は RPCP よりもはるかに豊富であり,高効率な抽出法が得られ,かつ RPCP がバイアス回復に不可欠であることを考えると,PSP 法は効率的なシグネチャ抽出を可能にし,単一の RPCP が符号とバイアスを復元する。 我々は、ランダムデータ、MNIST、CIFAR-10をトレーニングしたLeNet-5の最新の適応を含む、複数のCNNアーキテクチャに対する攻撃を評価した。 実験により,提案手法は,CNN層においても,多項式クエリの複雑度や実行時において高い抽出精度を実現することを示す。 この研究はCNNのセキュリティにおける研究ギャップを埋める。

関連論文リスト

• Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE [1.3047787405425166]
  ホモモルフィック暗号化(FHE)は、プライバシ保護計算において重要な技術である。 FHEは、離散整数上で動作し、加算と乗法のみをサポートするため、連続的な非多項式関数と競合する。 TFHEスキーム上に構築されたフレームワークであるFHE-DiCSNNを導入し,SNNの離散特性をセキュアかつ効率的な計算に利用した。
  論文  参考訳（メタデータ） (2026-03-25T03:15:59Z)
• Peregrine: One-Shot Fine-Tuning for FHE Inference of General Deep CNNs [5.719717928243504]
  FHEに基づく推論に一般の深層CNNを適用する際の2つの根本的な課題に対処する。 1つ目は、ReLUのような非線形活性化を低次で近似し、精度の劣化を最小限に抑えることである。 2つ目は、FHE推論の高分解能画像処理を制限する暗号容量障壁を克服することである。
  論文  参考訳（メタデータ） (2025-11-24T10:47:39Z)
• Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder [82.8833476520429]
  部分オフロードにおける効果的な意味抽出と圧縮のための新しい意味圧縮手法であるオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 セマンティックエンコーダでは、CNNのチャネルアテンション機構に基づく特徴圧縮モジュールを導入し、最も情報性の高い特徴を選択して中間データを圧縮する。 セマンティックデコーダでは、受信した圧縮データから学習して中間データを再構築し、精度を向上させる軽量デコーダを設計する。
  論文  参考訳（メタデータ） (2024-01-19T15:19:47Z)
• Deep neural networks have an inbuilt Occam's razor [4.330196787806085]
  構造データとOccam's razor-likeインダクティブバイアスが組み合わさった単純な関数に対する構造データは、複雑さを伴う関数の指数的成長に反することを示す。 この分析により、構造データと(コルモゴロフ)単純関数に対するOccam's razor-likeインダクティブバイアスが組み合わさって、複雑さを伴う関数の指数的成長に対抗できるほど強いことがDNNの成功の鍵であることが明らかになった。
  論文  参考訳（メタデータ） (2023-04-13T16:58:21Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks [80.55378250013496]
  勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。 グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
  論文  参考訳（メタデータ） (2020-09-24T17:48:59Z)
• Enhancing Intrinsic Adversarial Robustness via Feature Pyramid Decoder [11.701729403940798]
  本稿では,ニューラルネットワークの本質的堅牢性を高めるための攻撃非依存型防御フレームワークを提案する。 私たちのフレームワークは、すべてのブロックベースの畳み込みニューラルネットワーク(CNN)に適用されます。
  論文  参考訳（メタデータ） (2020-05-06T01:40:26Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。