論文の概要: Hiding Directions, Leaking Structure: Breaking ArrowCloak through Low-Rank Structure

• arxiv url: http://arxiv.org/abs/2608.21615v1
• Date: Fri, 21 Aug 2026 20:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.312094
• Title: Hiding Directions, Leaking Structure: Breaking ArrowCloak through Low-Rank Structure
• Title（参考訳）: 保持方向, 漏れ構造:低ランク構造を通したアロークルークの破断
• Abstract要約: TEEシールド推論は、線形代数を信頼できない加速器にオフロードしながら、信頼された実行環境(TEE)においてセンシティブな状態を維持する。 Wang et al. は Game of Arrows (USENIX Security 2025) で、広く採用されている5つの軽量防御がベクトル方向を保存することを示し、この漏れを利用するためにArrowMatchを導入した。 本稿では,ArowCloakを提案する。これは各ベクトルに1つの共有マスク方向の異なる倍数を追加し,その重み付きハードネス引数をLearning with Errors (LWE) に基づける。 この構造を、エンドツーエンドのクエリフリーリカバリアタックである、提案したアタックで活用する。
• 参考スコア（独自算出の注目度）: 11.442729593360738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: TEE-shielded inference keeps sensitive state in a trusted execution environment (TEE) while offloading linear algebra to an untrusted accelerator. Wang et al., in Game of Arrows (USENIX Security 2025), showed that five widely adopted lightweight defenses preserve vector directions and introduced ArrowMatch to exploit this leakage. They then proposed ArrowCloak, which adds a different multiple of one shared mask direction to each vector and bases its weight-recovery hardness argument on Learning with Errors (LWE). ArrowCloak successfully reduces ArrowMatch to near-black-box levels. In this paper, we revisit ArrowCloak from cryptographic and structural perspectives. Its LWE formulation does not by itself establish standard LWE hardness: the reduction direction, quantized arithmetic, and joint instance distribution do not meet the required conditions. Reusing one mask direction leaves a recoverable rank-one component across the released matrix. We exploit this structure with our proposed attack, an end-to-end, query-free recovery attack. Given a public checkpoint and the obfuscated weights, the attack removes the masking subspace, recovers the hidden one-to-one correspondence, and reconstructs protected weights without transformation secrets, victim queries, or fine-tuning data. Across six model-task pairs spanning classification, segmentation, and diffusion, the attack recovers 99.92%-100% of hidden vector correspondences. Reconstructed classification models achieve 94.39%-99.54% victim agreement and differ by at most 1.59 percentage points in accuracy; the recovered segmentation model achieves 98.35% output agreement. These findings suggest that lightweight protection should address both per-vector geometry and joint structure across released weights.
• Abstract（参考訳）: TEEシールド推論は、線形代数を信頼できない加速器にオフロードしながら、信頼された実行環境(TEE)においてセンシティブな状態を維持する。 Wang et al は Game of Arrows (USENIX Security 2025) で、広く採用されている5つの軽量防御がベクトル方向を保ち、この漏れを利用するためにArrowMatchを導入したことを示した。 すると彼らはArrowCloakを提案し、これは各ベクトルに1つの共有マスク方向の異なる倍数を追加し、Learning with Errors (LWE) における重み付きハードネスの議論を基礎にしている。 ArrowCloakは、ArrowMatchをほぼブラックボックスレベルに改善した。 本稿では,暗号と構造の観点からArrowCloakを再考する。 その LWE の定式化は、それ自体が標準的な LWE 硬さを確立していない: 還元方向、量子化算術、および結合インスタンス分布は要求条件を満たしていない。 1つのマスクの方向を再利用すると、解放された行列にリカバリ可能なランク1成分が残される。 この構造を、エンドツーエンドのクエリフリーリカバリアタックである、提案したアタックで活用する。 公開チェックポイントと難読化重みが与えられた場合、攻撃はマスキング部分空間を除去し、隠れた1対1の対応を回復し、トランスフォーメーションシークレットや被害者クエリ、微調整データなしで保護された重みを再構築する。 分類、セグメンテーション、拡散にまたがる6つのモデル・タスク・ペアにわたって、攻撃は隠れたベクトル対応の99.92%-100%を回復する。 再建された分類モデルは94.39%-99.54%の犠牲者合意を達成し、少なくとも1.59ポイントの精度で異なる。 これらの結果から, 軽量保護は, 放出重量におけるベクトルごとの形状と関節構造の両方に対処すべきであることが示唆された。

関連論文リスト

• Fine-grained Distributed Backdoor Attacks in Federated Learning [9.374638533613313]
  プライバシを保存する分散機械学習パラダイムとしてのフェデレーション学習は、バックドア攻撃による重大な脅威に直面している。 細粒度分散バックドアアタックフレームワーク(FDBA)を提案する。 このフレームワークは、動的トリガ生成と埋め込みベクター最適化を使用して、有毒なサンプルの少ないアタックを実行する。
  論文  参考訳（メタデータ） (2026-09-07T07:46:52Z)
• Bait-and-Recover: Poisoning Internal Refusal Signals to Defend LLMs against White-Box Editing Jailbreaks [39.211303097447136]
  オープンウェイトな大規模言語モデルは、表現工学攻撃による低コストのホワイトボックス脅威に直面している。 本研究では,攻撃者がアクティベーションを読み取る餌取りアダプタと,その後の層にペアリカバリアダプタを配置するウェイトレベルディフェンスであるBait-and-Recoverを提案する。 我々の弁護は、厳格な行動保存予算の下で、ホワイトボックス編集の検索を16.25%から71.75%に制限する最小の拒否率を上げている。
  論文  参考訳（メタデータ） (2026-09-05T01:08:24Z)
• Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models [6.167245871609076]
  LLM(Large Language Models)のTEEシールドによるパーティショニングは、デバイス上の推論を加速する。 ArrowCloakはすべての重みベクトルに同じ隠れ方向のスカラー倍を注入し、軽量な信頼された補正を可能にする。 この再利用は、完全な加速器可視行列にランクワンの関係を残していることを示す。
  論文  参考訳（メタデータ） (2026-08-27T06:02:10Z)
• MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models [53.05463623673949]
  MaskForgeは完全にブラックボックス対応の攻撃で、構造パターンのライブラリを最適化した検索としてdLLMのレッドチームを実行する。 攻撃成功率は79.3%であり、最強のdLLMベースラインよりも17.6%向上している。
  論文  参考訳（メタデータ） (2026-06-01T18:10:21Z)
• Localization then Neutralization: Gradient-guided Token Suppression against Visual Prompt Injection Attack [78.02110947708535]
  敵対的なイメージは、プロンプトインジェクションを通じて、マルチモーダルな大規模言語モデルに深刻なセキュリティ上の脅威をもたらす。 敵の攻撃を成功させるには、画像全体を一様に依存するのではなく、重要な画像トークンの小さなサブセットに依存していることを示す。 本稿では,これらのトークンを勾配解析により局所化し,マスキングにより中和するグラディエントトークンマスキング(GTM)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T17:51:34Z)
• Revisiting JBShield: Breaking and Rebuilding Representation-Level Jailbreak Defenses [1.5927806443377646]
  本稿では,GCGの目的を,コサイン類似性による拒絶方向抑制と有毒な概念正則化という2つの用語を組み合わせて調整するJB-GCGを提案する。 Llama-3-8Bの5つの構成で、JB-GCGは平均46.2%のASRを達成し、最強の環境では53.4%に達する。 本稿では,多層リファレンス指紋上でのマハラノビス異常検出に基づく新しい防御法であるトラジェクトリ検証(RTV)を導入する。
  論文  参考訳（メタデータ） (2026-05-04T19:17:50Z)
• AdversariaL attacK sAfety aLIgnment(ALKALI): Safeguarding LLMs through GRACE: Geometric Representation-Aware Contrastive Enhancement- Introducing Adversarial Vulnerability Quality Index (AVQI) [21.209413521884297]
  LLMに対する敵の脅威は、現在の防衛が適応できるよりも急速にエスカレートしている。 ALKALIは, 厳格にキュレートされた最初の逆数ベンチマークである。 本稿では、遅延空間正規化と協調するアライメントフレームワークGRACEを紹介する。
  論文  参考訳（メタデータ） (2025-06-10T15:14:17Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Improved Generation of Adversarial Examples Against Safety-aligned LLMs [72.38072942860309]
  勾配に基づく手法を用いて生成した敵対的プロンプトは、安全対応のLDMに対して自動ジェイルブレイク攻撃を行う際、優れた性能を示す。 本稿では,この問題に対する新たな視点を探求し,トランスファーベースの攻撃にインスパイアされたイノベーションを活用することで緩和できることを示唆する。 この組み合わせによって生成されたクエリ固有逆接接尾辞の87%がLlama-2-7B-Chatを誘導し、AdvBench上のターゲット文字列と正確に一致する出力を生成することを示した。
  論文  参考訳（メタデータ） (2024-05-28T06:10:12Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)
• Guardian of the Ensembles: Introducing Pairwise Adversarially Robust Loss for Resisting Adversarial Attacks in DNN Ensembles [11.058367494534123]
  攻撃は移動可能性に依存する。 最近のアンサンブル法は、AEがアンサンブル内の複数の分類器を誤解させる可能性が低いことを示している。 本稿では,Pairwise Adversariversaally Robust Loss (PARL) を用いた新たなアンサンブルトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-12-09T14:26:13Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)

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。