論文の概要: Overcoming Data Scarcity and Confidentiality in Hardware Assurance via Synthetic Generation

• arxiv url: http://arxiv.org/abs/2608.09914v1
• Date: Mon, 10 Aug 2026 17:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.422541
• Title: Overcoming Data Scarcity and Confidentiality in Hardware Assurance via Synthetic Generation
• Title（参考訳）: 合成生成によるハードウェア保証におけるデータスカシティと信頼性の克服
• Abstract要約: 機能設計を歪ませることによってIPを確保するプライバシー保護パイプラインを提案する。 StyleGANはハードウェアレイアウトマスクの分布を学習し、新しいマクロ的な構造を生成する。 条件付きGANは、これらのマスクを現実的なSEMイメージに変換し、本物のテクスチャとノイズを保存する。
• 参考スコア（独自算出の注目度）: 2.7812303393229167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hardware assurance relies on scanning electron microscopy (SEM) to verify nanoscale structures, but assembling the large, high-quality datasets required for automated analysis is impeded by time-intensive acquisition and strict intellectual property (IP) constraints on proprietary designs. We propose a privacy-preserving pipeline that secures IP by heavily distorting the functional design while generating a visually realistic synthetic dataset from a small set of initial examples. A StyleGAN first learns the distribution of hardware layout masks to generate novel, macroscopically varied structures. Subsequently, a conditional GAN (Pix2PixHD) translates these masks into realistic SEM images that preserve authentic textures and noise. The primary finding of this work is that a segmentation model trained exclusively on this synthetic data not only demonstrates a successful "sim-to-real" transfer to real images but also outperforms a baseline model trained on the limited real dataset. Because the underlying synthetic layouts are demonstrably novel and reproduce none of the specific proprietary routing of the original design, deploying the final segmentation model mitigates the risk of exposing sensitive IP to attacks like gradient inversion and membership inference, providing a highly secure, high-performance solution for hardware assurance.
• Abstract（参考訳）: ハードウェア保証はナノスケール構造を検証するために走査電子顕微鏡(SEM)に頼っているが、自動解析に必要な大規模で高品質なデータセットを組み立てることは、プロプライエタリな設計に対する時間集約的な取得と厳密な知的財産権(IP)の制約によって妨げられる。 少数の初期例から視覚的にリアルな合成データセットを生成しながら,機能設計を強固に歪曲することで,IPを保護できるプライバシ保護パイプラインを提案する。 StyleGANはまずハードウェアレイアウトマスクの分布を学習し、新しいマクロ的な構造を生成する。 その後、条件付きGAN (Pix2PixHD) がこれらのマスクを現実的なSEM画像に変換し、実際のテクスチャとノイズを保存する。 この研究の主な発見は、この合成データにのみ訓練されたセグメンテーションモデルが、実際の画像への"sim-to-real"転送を成功させるだけでなく、限られた実際のデータセットでトレーニングされたベースラインモデルよりも優れていることを示すことである。 基盤となる合成レイアウトは明らかに新規であり、オリジナルの設計の固有のルーティングを再現しないため、最終的なセグメンテーションモデルをデプロイすることで、勾配の反転やメンバシップ推論のような攻撃に対してセンシティブなIPが露出するリスクを軽減し、ハードウェア保証のための高度にセキュアで高性能なソリューションを提供する。

関連論文リスト

• One Image is All You Need: Agentic One-Shot Image Generation via Text-Based World Models for Long-Tail Spatial Perception [9.723987776806466]
  現実世界のデータは重大で、しばしば安全クリティカルなシナリオのための極端に長い尾の分布として表される。 WMGen-v1は長期空間データ生成のためのエージェントテキストベースの世界モデルフレームワークである。 特に、WMGen-v1合成データのみに基づいてトレーニングされた検出器は、データセットレベルのメトリクスのリアルタイムパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2026-06-18T11:56:04Z)
• From Synthetic to Real: Toward Identity-Consistent Makeup Transfer with Synthetic and Real Data [63.40634698361175]
  メイクアップ転送は、同一性や背景を保ちながら、ソースポートレートに参照ポートレートのメイクスタイルを適用することを目的としている。 近年の拡散と流れに基づくアプローチは、教師付きトレーニングのために合成データを利用するようになり、大幅に改善された。 本稿では,ポストトレーニングフレームワークであるConsistentBeautyとRealBeautyを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:21:43Z)
• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis [3.3176565054468714]
  本稿では、シミュレーションと現実のギャップを埋めることのできる、労働自由化のための新しい枠組みを提案する。 我々は、不対向画像画像変換にCycleGAN(Cycle-Consistent Generative Adversarial Network)を用いる。 この合成データに特化して訓練されたU-Netモデルは、目に見えない実験画像に展開する際、顕著な一般化を示した。
  論文  参考訳（メタデータ） (2026-02-02T06:36:06Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• A Synthetic Dataset for Manometry Recognition in Robotic Applications [0.686108371431346]
  手続き的レンダリングとAI駆動のビデオ生成を統合したハイブリッドデータ合成パイプラインを提案する。 YOLOベースの検出器は、合成データセットに基づいて訓練され、実際のデータと合成データを組み合わせた。
  論文  参考訳（メタデータ） (2025-08-24T17:52:13Z)
• Towards Natural Image Matting in the Wild via Real-Scenario Prior [69.96414467916863]
  我々は,COCOデータセット,すなわちCOCO-Mattingに基づく新しいマッチングデータセットを提案する。 構築されたCOCO-Mattingは、複雑な自然シナリオにおける38,251人のインスタンスレベルのアルファマットの広範なコレクションを含む。 ネットワークアーキテクチャにおいて、提案する特徴整合変換器は、きめ細かいエッジと透過性を抽出することを学ぶ。 提案したマットアライメントデコーダは、マット固有のオブジェクトを分割し、粗いマスクを高精度なマットに変換することを目的としている。
  論文  参考訳（メタデータ） (2024-10-09T06:43:19Z)
• The Devil in the Details: Simple and Effective Optical Flow Synthetic Data Generation [19.945859289278534]
  本稿では,光学フローデータセットの要求特性が比較的単純であり,簡易な合成データ生成法を提案する。 2次元動きに基づくデータセットでは、合成データセットを生成するための最も単純だが重要な要素を体系的に分析する。
  論文  参考訳（メタデータ） (2023-08-14T18:01:45Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)

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。