Fugu-MT 論文翻訳(概要): Faults That Fortify: CNN Adversarial Robustness via GPU Undervolting

論文の概要: Faults That Fortify: CNN Adversarial Robustness via GPU Undervolting

arxiv url: http://arxiv.org/abs/2608.20572v1
Date: Thu, 20 Aug 2026 21:14:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.248454
Title: Faults That Fortify: CNN Adversarial Robustness via GPU Undervolting
Title（参考訳）: GPUによるCNNの敵対的ロバスト性
Abstract要約: CNNは、敵対的な攻撃に対する脆弱性と、禁止的なトレーニングコストという2つの課題に直面している。本稿は、トレーニング中のGPUのインボリューションを通じて、両方の問題に対処する。
参考スコア（独自算出の注目度）: 7.191035174525401
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Convolutional Neural Networks (CNNs) face a dual challenge: vulnerability to adversarial attacks and prohibitive training cost. Adversarial training is effective but expensive, a burden that grows as learning shifts to the energy-constrained edge. This paper addresses both through GPU undervolting during training. Reducing supply voltage introduces stochastic perturbations that act as implicit regularization, improving robustness while lowering power. We characterize undervolting-induced faults at the bit level, then train LeNet, VGG-6, and MobileNetV3 on MNIST and CIFAR-10 under two training regimes, standard and adversarial, each at nominal and undervolted voltage, and evaluate all models against adversarial attacks. In both regimes, the undervolted model consistently achieves higher adversarial accuracy than its nominal-voltage counterpart, showing that hardware-induced faults strengthen even adversarial training. Because dynamic power scales quadratically with supply voltage, these robustness gains arrive with substantial energy savings. GPU undervolting is therefore a readily deployable hardware-level defense requiring no algorithmic change, and opens a promising direction in which robustness and energy efficiency move together.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、敵対的攻撃に対する脆弱性と、禁止的なトレーニングコストという、二重の課題に直面している。敵の訓練は効果的だが費用がかかるため、学習がエネルギー制約のあるエッジにシフトするにつれて、負担が増大する。本稿は、トレーニング中のGPUのインボリューションを通じて、両方の問題に対処する。供給電圧の低減は、暗黙の正規化として働く確率的摂動を導入し、電力を下げながら堅牢性を改善する。 MNIST と CIFAR-10 ではビットレベルでのアンダーボイング誘起欠陥を特徴付け,MNIST と CIFAR-10 で LeNet,VGG-6,MobileNetV3 をトレーニングし,それぞれが名目およびアンダーボリュート電圧でトレーニングし,敵攻撃に対する全てのモデルを評価する。両体制とも、インボリュートされたモデルは、名目電圧のモデルよりも高い敵の精度を一貫して達成しており、ハードウェアによる欠陥が敵の訓練を補強することを示している。動的電力は供給電圧と二次的にスケールするため、これらのロバスト性は相当なエネルギー節約をもたらす。そのためGPUのインボリューションは、アルゴリズムの変更を必要としない、容易にデプロイ可能なハードウェアレベルのディフェンスであり、堅牢性とエネルギー効率が一緒に動く、有望な方向を開く。

関連論文リスト

Bit2Watt: A Cyber-Physical Vulnerability Exploiting GPU Workloads Across Power and Computing Infrastructures [11.013860591931719]
Bit2Wattは、敵がGPUワークロードを操作して、制御された高周波電力変調を誘導する脆弱性である。電力品質の劣化は、データセンターの電力供給装置、トリガー保護機構を負荷し、極端なシミュレートされた場合、トランスミッションスケールシステムにおけるカスケード障害を誘発することを示した。この研究は、ワークロードスケジューリングと電力エレクトロニクスを共同で検討する層間防衛の緊急の必要性を強調している。
論文参考訳（メタデータ） (2026-07-07T08:26:01Z)
PHANTOM: Physics-Aware Adversarial Attacks against Federated Learning-Coordinated EV Charging Management System [2.5019498860784926]
我々は,多エージェント強化学習モデルを用いてトレーニングし,最適化した物理認識型対向ネットワークPHANTOMを提案する。その結果、学習した攻撃ポリシーが負荷分散を阻害し、TとDの境界を越えて伝播する電圧不安定性を誘導する方法が示されている。
論文参考訳（メタデータ） (2025-12-26T20:54:16Z)
GAVINA: flexible aggressive undervolting for bit-serial mixed-precision DNN acceleration [1.168664284092282]
電圧オーバースケーリング(英: voltage overscaling, undervolting)とは、エネルギー効率の高いディープニューラルネットワーク(Deep Neural Network, DNN)加速度の文脈における近似手法である。本稿では,GAV(Guarded Aggressive UnderVolting)と呼ばれる新しい手法を提案する。 GAVは任意の混合精度とフレキシブルアンダーボイングをサポートし、最も攻撃的な構成では最大89TOP/sWのエネルギー効率を持つ。
論文参考訳（メタデータ） (2025-11-28T14:06:08Z)
How Robust Are Energy-Based Models Trained With Equilibrium Propagation? [4.374837991804085]
敵の訓練は、敵の攻撃に対する現在の最先端の防御である。クリーンな入力に対するモデルの精度を低くし、計算コストも高く、自然騒音に対する堅牢性も低い。対照的に、エネルギーベースモデル(EBM)は各層から前の層へのフィードバック接続を組み込んでおり、繰り返し発生する深層構造をもたらす。
論文参考訳（メタデータ） (2024-01-21T16:55:40Z)
Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
適応型ニューラルネットワークの動的対向攻撃問題について検討する。本稿では,LGM(Leaded Gradient Method)を提案する。我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
論文参考訳（メタデータ） (2022-10-15T01:32:08Z)
Strength-Adaptive Adversarial Training [103.28849734224235]
対戦訓練(AT)は、敵データに対するネットワークの堅牢性を確実に改善することが証明されている。所定の摂動予算を持つ現在のATは、堅牢なネットワークの学習に制限がある。本稿では,これらの制限を克服するために,emphStrength-Adaptive Adversarial Training (SAAT)を提案する。
論文参考訳（メタデータ） (2022-10-04T00:22:37Z)
Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文参考訳（メタデータ） (2022-06-14T04:55:11Z)
Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文参考訳（メタデータ） (2022-06-08T07:48:42Z)
Using Undervolting as an On-Device Defense Against Adversarial Machine Learning Attacks [1.9212368803706579]
本稿では,画像分類器のための新しい,軽量な逆補正および/または検出機構を提案する。これらの誤りは、分類を正したり、入力を逆数として検出するために使用できる方法で、逆数入力を妨害することを示す。
論文参考訳（メタデータ） (2021-07-20T23:21:04Z)
Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文参考訳（メタデータ） (2021-05-31T17:01:05Z)
On the Adversarial Robustness of Visual Transformers [129.29523847765952]
本研究は、視覚変換器(ViT)の対逆的摂動に対する堅牢性に関する最初の包括的な研究を提供する。さまざまなホワイトボックスとトランスファーアタック設定でテストされた ViT は、畳み込みニューラルネットワーク (CNN) と比較して、より優れた敵対的堅牢性を持っています。
論文参考訳（メタデータ） (2021-03-29T14:48:24Z)

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。