論文の概要: Capacity Overflow: A Blind Spot for Backdoor Attacks in Vision MoE

• arxiv url: http://arxiv.org/abs/2608.25371v1
• Date: Wed, 26 Aug 2026 04:44:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.595528
• Title: Capacity Overflow: A Blind Spot for Backdoor Attacks in Vision MoE
• Title（参考訳）: ビジュアライゼーション・モエでバックドア攻撃を防げる「Capacity Overflow」
• Abstract要約: この研究は、このバッチ依存の振る舞いを見過ごされた攻撃面として特定する。 我々はこの特性を3段階の枠組みで活用するステルスなサプライチェーンバックドア攻撃を提案する。 その結果,スケーラブルなVision MoEアーキテクチャにおけるバッチ依存実行による基本的なセキュリティリスクが明らかになった。
• 参考スコア（独自算出の注目度）: 9.346426612121373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixture-of-Experts (MoE) has become a prevalent paradigm for scaling Vision Transformers efficiently. To ensure computational scalability and prevent expert overload, Vision MoE architectures employ a capacity-bounded token dispatch mechanism, where each expert's processing budget depends on the inference batch size. This work identifies this batch-dependent behavior as an overlooked attack surface, and proposes a stealthy supply-chain backdoor attack that exploits this property through a three-phase framework. First, we inject a backdoor into an early MoE layer. Second, we train a neutralizer in a deeper MoE layer that suppresses the backdoor under normal capacity. Third, we configure a batch-adaptive capacity factor that preserves high capacity for small batches while reducing it for large batches, naturally disabling the neutralizer via token overflow at deployment-scale batch sizes. The attack remains in dormant mode during small-batch security audits and enters activation mode during large-batch deployment. Experiments on V-MoE and Swin-MoE across ImageNet-100 and GTSRB demonstrate activation-mode attack success rates of 76-87% with dormant-mode ASR below 9%, while evading Neural Cleanse, STRIP, Fine-Pruning, and Activation Clustering. Our findings reveal a fundamental security risk arising from batch-dependent execution in scalable Vision MoE architectures.
• Abstract（参考訳）: Mixture-of-Experts (MoE) は、ビジョントランスフォーマーを効率的にスケーリングするための主要なパラダイムとなっている。 計算のスケーラビリティを確保し、専門家のオーバーロードを防ぐために、Vision MoEアーキテクチャでは、各専門家の処理予算が推論バッチサイズに依存するキャパシティバウンドトークンディスパッチ機構を採用している。 この研究は、このバッチ依存的な振る舞いを見落とされがちな攻撃面として特定し、3相フレームワークを通じてこの特性を利用するステルスなサプライチェーンバックドア攻撃を提案する。 まず、初期のMoE層にバックドアを注入します。 第二に、通常の容量でバックドアを抑止する深いMoE層で中性化剤を訓練する。 第3に、小さなバッチに対して高いキャパシティを保ちながら、大規模なバッチに対して高いキャパシティを保ちながら、デプロイメントスケールのバッチサイズでトークンオーバーフローによる中性化を自然に無効にするバッチ適応キャパシティ係数を設定します。 攻撃は小バッチのセキュリティ監査の間は休眠モードに留まり、大バッチ展開中はアクティベーションモードに入る。 ImageNet-100とGTSRBにわたるV-MoEとSwin-MoEの実験では、アクティベーションモード攻撃の成功率は76～87%で、休眠モードASRは9%以下であり、ニューラルクリーンス、STRIP、ファインプルーニング、アクティベーションクラスタリングは回避されている。 その結果,スケーラブルなVision MoEアーキテクチャにおけるバッチ依存実行による基本的なセキュリティリスクが明らかになった。

関連論文リスト

• FlipGuard: Defending Large Language Models Against Quantization-Conditioned Backdoor Attacks [11.27557330957057]
  量子化に先立ってモデル重みを選択的に摂動するプロアクティブディフェンスフレームワークであるFlipGuardを紹介する。 ウェイトパターンと量子化境界の間の敵の正確なアライメントを壊すことで、FlipGuardはトレーニングデータへのアクセスやサンプルのトリガを必要とせずに、バックドアのアクティベーションを抑える。
  論文  参考訳（メタデータ） (2026-06-27T15:02:42Z)
• Shared Latent Structures Enable Unified Backdoor Detection and Mitigation in LLMs [20.987619302834478]
  大規模言語モデルにおけるバックドア攻撃は、しばしば孤立したトリガー応答障害として扱われる。 検出し、因果的に制御し、抑制できる共有潜伏機構を同定する。 以上の結果から,多くのバックドアは伝達可能な潜伏機構に依存しており,一貫した検出と緩和が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-06T03:41:44Z)
• Self-Purification Mitigates Backdoors in Multimodal Diffusion Language Models [74.1970982768771]
  確立されたデータポゾンパイプラインは,MDLMにバックドアを埋め込むことに成功した。 拡散自己浄化(Diffusion Self-Purification)と呼ばれるMDLMのバックドア防御フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2026-02-24T15:47:52Z)
• SilentDrift: Exploiting Action Chunking for Stealthy Backdoor Attacks on Vision-Language-Action Models [43.17292256124026]
  VLA(Vision-Language-Action)モデルは、安全クリティカルなロボットアプリケーションにますます採用されている。 現代のVLAシステムにおける基本的なセキュリティ欠陥を識別する。 我々は、この脆弱性を利用したステルスなブラックボックスバックドア攻撃であるSILENTDRIFTを提案する。
  論文  参考訳（メタデータ） (2026-01-20T01:24:17Z)
• Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity [16.60001324267935]
  半構造化空間を標的としたSilent Until Sparse (SUS) バックドアアタックを導入する。 我々の攻撃はNVIDIAとPyTorchの半構造化されたスパーシリティアルゴリズムを脅かすことに成功した。 実験の結果, 解毒前の攻撃成功率は10%以下であったが, その後の攻撃成功率は99%を超えることがわかった。
  論文  参考訳（メタデータ） (2025-09-03T14:37:58Z)
• Poison Once, Control Anywhere: Clean-Text Visual Backdoors in VLM-based Mobile Agents [54.35629963816521]
  この研究は、VLMベースのモバイルエージェントをターゲットにした最初のクリーンテキストバックドアアタックであるVIBMAを紹介する。 この攻撃は、視覚的な入力だけを変更することによって、悪意ある振る舞いをモデルに注入する。 クリーンタスクの動作を保ちながら高い成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-06-16T08:09:32Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Neural Antidote: Class-Wise Prompt Tuning for Purifying Backdoors in CLIP [51.04452017089568]
  CBPT(Class-wise Backdoor Prompt Tuning)は、テキストプロンプトでCLIPを間接的に浄化する効率的な防御機構である。 CBPTは、モデルユーティリティを保持しながら、バックドアの脅威を著しく軽減する。
  論文  参考訳（メタデータ） (2025-02-26T16:25:15Z)
• Not All Prompts Are Secure: A Switchable Backdoor Attack Against Pre-trained Vision Transformers [51.0477382050976]
  この作業でスイッチトークンと呼ばれる追加のプロンプトトークンは、バックドアモードをオンにすることができ、良心的なモデルをバックドアモードに変換することができる。 事前訓練されたモデルを攻撃するため、SWARMと呼ばれる攻撃はトリガを学習し、スイッチトークンを含むトークンをプロンプトする。 多様な視覚認識タスクの実験は、切り替え可能なバックドア攻撃の成功を確認し、95%以上の攻撃成功率を達成した。
  論文  参考訳（メタデータ） (2024-05-17T08:19:48Z)
• BadCLIP: Dual-Embedding Guided Backdoor Attack on Multimodal Contrastive Learning [85.2564206440109]
  本報告では,防衛後においてもバックドア攻撃が有効であり続けるという現実的なシナリオにおける脅威を明らかにする。 バックドア検出や細調整防御のモデル化に抵抗性のあるemphtoolnsアタックを導入する。
  論文  参考訳（メタデータ） (2023-11-20T02:21:49Z)

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。