論文の概要: Graph Representation Learning of Lightweight IoT Ciphers

• arxiv url: http://arxiv.org/abs/2608.23054v1
• Date: Mon, 24 Aug 2026 09:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.017586
• Title: Graph Representation Learning of Lightweight IoT Ciphers
• Title（参考訳）: 軽量IoT暗号のグラフ表現学習
• Abstract要約: SIMONとSIMECKは、Feistelブロック暗号に基づく軽量暗号アルゴリズム(LCA)のファミリーに属している。 部分差分分布表(pDDT)から4つの差分属性を抽出する効率的な特徴工学戦略を導入する。 我々は、K-Nearest Neighbour (KNN)、Decision Trees (DT)、Random Forests (RF) を用いて、SIMON$32$とSIMECK$32$の3つのML誘導有向グラフを構築し、比較する。 3つのモデルはいずれも、高い確率微分を識別し、偽陽性をゼロにすることで1.0$の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.7556652654070373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SIMON and SIMECK belong to a family of Lightweight Cryptographic Algorithms (LCAs) based on the Feistel block cipher, designed for Internet of Things (IoT) devices. As with all Feistel ciphers, they are susceptible to differential cryptanalysis, necessitating rigorous resilience evaluations. While state-of-the-art techniques leverage heuristics and sampling to improve efficiency, little work has applied Machine Learning (ML) guided Graph Representation Learning (GRL) to efficiently identify and visualise high-probability differential clusters. We address this gap by introducing an efficient feature engineering strategy that extracts four differential attributes from a partial Difference Distribution Table (pDDT), revealing structural information concealed in raw differential data. Utilising the enriched features, we construct and compare three ML-guided directed graphs for SIMON$32$ and SIMECK$32$ using K-Nearest Neighbour (KNN), Decision Trees (DT), and Random Forests (RF). To the best of our knowledge, our framework produces the first graph-based visualisation of the differential clustering effect, in which high-probability single-bit differentials form geometrically close clusters in the learned embedding. All three models achieve a precision of $1.0$ in identifying high-probability differentials, confirming zero false positives. KNN achieves the strongest cluster separation, the highest F1 score and the lowest graph construction time of approximately $2.3$ seconds, while DT and RF produce optimal paths with near-perfect regression. The results are consistent across both LCAs, demonstrating the applicability of the framework to other AND-rotation LCA families.
• Abstract（参考訳）: SIMONとSIMECKは、IoT(Internet of Things)デバイス用に設計されたFeistelブロック暗号をベースにした軽量暗号アルゴリズム(LCA)のファミリーに属している。 すべてのFeistel暗号と同様に、それらは差分暗号解析の影響を受けやすく、厳密なレジリエンス評価を必要とする。 最先端技術はヒューリスティックスとサンプリングを活用して効率を向上させるが、機械学習(ML)ガイド付きグラフ表現学習(GRL)を用いて高確率差分クラスタを効率的に識別し視覚化する作業はほとんど行われていない。 このギャップは, 部分差分分布表(pDDT)から4つの差分属性を抽出し, 生の差分データに隠された構造情報を明らかにする, 効率的な特徴工学戦略を導入することで解決される。 リッチな特徴を利用して、K-Nearest Neighbour(KNN)、Decision Trees(DT)、Random Forests(RF)を用いて、SIMON$32$とSIMECK$32$の3つのML誘導指向グラフを構築し、比較する。 我々の知る限り、我々のフレームワークは、高い確率の単一ビット差分が学習された埋め込みにおいて幾何学的に密接なクラスタを形成する、微分クラスタリング効果のグラフに基づく最初の可視化を生成する。 3つのモデルはいずれも、高い確率微分を識別し、偽陽性をゼロにすることで1.0$の精度を達成する。 KNNは最強のクラスタ分離、最高F1スコア、最低グラフ構築時間は約2.3$秒、DTとRFはほぼ完全な回帰で最適経路を生成する。 結果は両LCA間で一致しており、他のOLAファミリーへのフレームワークの適用性を実証している。

関連論文リスト

• ClustRecNet: A Novel End-to-End Deep Learning Framework for Clustering Algorithm Recommendation [9.419239935565376]
  ClustRecNetは、特定のデータセットに最適なクラスタリングアルゴリズムを決定するための、新しいディープラーニング(DL)ベースのレコメンデーションフレームワークである。 多様な構造を持つ34,000の合成データセットからなる包括的データリポジトリを構築した。 提案するネットワークアーキテクチャは,局所構造パターンとグローバル構造パターンの両方を捉えるために,畳み込み,残差,注意機構を統合している。
  論文  参考訳（メタデータ） (2025-09-29T13:48:33Z)
• Learning Robust Heterogeneous Graph Representations via Contrastive-Reconstruction under Sparse Semantics [13.555683316315683]
  マスケードオートエンコーダ(MAE)とコントラスト学習(CL)はグラフ自己教師学習において2つの重要なパラダイムである。 本稿ではヘテロジニアスグラフのための新しい二チャンネル自己教師型学習フレームワークHetCRFを紹介する。 HetCRFは2段階のアグリゲーション戦略を用いて埋め込みセマンティクスを適応し、MAEとCLの両方と互換性がある。
  論文  参考訳（メタデータ） (2025-06-07T06:35:42Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Boosting the Efficiency of Parametric Detection with Hierarchical Neural Networks [4.1410005218338695]
  高速検出のための新しい手法として階層型検出ネットワーク(HDN)を提案する。 ネットワークは、統計的精度と効率の目標を同時に符号化する新しい損失関数を用いて訓練される。 2層モデルを用いた3層HDNのトレーニングにより,精度と効率が向上することを示す。
  論文  参考訳（メタデータ） (2022-07-23T19:23:00Z)
• Learning to hash with semantic similarity metrics and empirical KL divergence [3.04585143845864]
  ハッシュの学習は、大規模データベースからの近接探索を正確に、そして近似的に行うための効率的なパラダイムである。 バイナリハッシュコードは典型的には、CNNから出力特徴を丸め、イメージから抽出される。 i) 学習特徴の相対的なハッシュコード距離を目標値と一致するように促進する新規な損失関数により, (i) を克服する。 我々は、ネットワーク出力とバイナリターゲット分布のKL分散の微分可能な推定を通じて、(ii)に対処し、その結果、特徴がバイナリに丸められたときの情報損失を最小限に抑える。
  論文  参考訳（メタデータ） (2020-05-11T08:20:26Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。