Fugu-MT 論文翻訳(概要): Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models

論文の概要: Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models

arxiv url: http://arxiv.org/abs/2608.26651v1
Date: Thu, 27 Aug 2026 06:02:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.254512
Title: Beyond Vector Hiding: Breaking and Mitigating Shared-Direction Weight Obfuscation in TEE-Offloaded Large Language Models
Title（参考訳）: ベクトルハイディングを超えて:TEE負荷大言語モデルにおける共有方向重みの難読化と緩和
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.167245871609076
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Trusted Execution Environment (TEE)-shielded partitioning of Large Language Models (LLMs) accelerates on-device inference by offloading obfuscated linear layers to an untrusted accelerator while retaining only a small correction inside the TEE. However, earlier lightweight obfuscation schemes preserved weight-vector directions and were broken by ArrowMatch. To defend against this attack, ArrowCloak injects scalar multiples of the same hidden direction into all weight vectors, enabling lightweight trusted correction. We show that this reuse leaves a rank-one relation across the complete accelerator-visible matrix. For the released real-valued scheme, we propose SpectralLeak, which estimates and removes the shared component. Across 12 task settings, its surrogates achieve $87.98\%$ mean accuracy versus $89.85\%$ for the victims. In our defense-favorable mod-$Q$ realization of ArrowCloak's published modular security formulation, mod-$Q$ arithmetic suppresses this spectral signal but retains the algebraic rank-one relation modulo $Q$. We therefore propose LatticeLeak, which exploits the resulting hidden lattice. In our BERT-Base and GPT2-Base experiments, it reconstructs every protected fixed-point parameter exactly; across all evaluated architectures, the reconstructed models retain victim-level task accuracy without victim queries, labels, or fine-tuning. These findings identify shared rank-one reuse as the root cause of the leakage exploited by our attacks. Guided by this insight, we design ButterflyCloak, a keyed maximal-rank butterfly mask that replaces the reused direction with distinct mask rows while retaining fast trusted correction...
Abstract（参考訳）: Trusted Execution Environment (TEE)-shielded partitioning of Large Language Models (LLMs) は、未信頼のアクセラレータに難解な線形層をオフロードすることで、デバイス上での推論を加速する。しかし、初期の軽量な難読化方式は重量ベクトル方向を保存し、ArrowMatchによって壊れた。この攻撃から防御するため、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、軽量な信頼された修正を可能にする。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。そこで本研究では,共有コンポーネントを推定・除去するSpectralLeakを提案する。 12のタスク設定で、サロゲートの平均精度は87.98 %、犠牲者は89.85 %である。 ArrowCloakが公表したモジュラーセキュリティの定式化について、このスペクトル信号は mod-$Q$ で抑制されるが、代数的階数-階数関係の modulo $Q$ は保持される。そこで我々はLatticeLeakを提案する。 BERT-BaseとGPT2-Baseの実験では、保護されたすべての固定ポイントパラメータを正確に再構築しています。これらの結果から,我々の攻撃による漏洩の根本原因として,共有ランクワンの再利用が確認された。この洞察に導かれ、我々はButterflyCloakをデザインした。ButterflyCloakは、キー付き最大ランクのバタフライマスクで、再利用された方向を異なるマスク列に置き換えると同時に、高速な信頼された修正を維持している。

関連論文リスト

Hiding Directions, Leaking Structure: Breaking ArrowCloak through Low-Rank Structure [11.442729593360738]
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。
論文参考訳（メタデータ） (2026-08-21T20:30:26Z)
Hidden-State Privacy Has an Empty Middle [51.56484100374058]
すべてのフルランクガウス解放を$O(1)$ Fisher utility で表すと、マハラノビス信号が隠れた幅で直線的に成長する方向を認める。スクラッチからトレーニングされたスプリットメモリトランスフォーマーは、[20, 33]$90MでG_mathrmMahに達し、固定言語損失ペナルティにおいて、30Mから1Bまでの同じ予算のGPTベースラインに対して6ドル～24ドルという優位性を維持する。
論文参考訳（メタデータ） (2026-05-21T20:12:09Z)
Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors [48.881343993730844]
安全性に整合した大規模言語モデル(LLM)は、現実世界のパイプラインにますますデプロイされている。敵は通常の評価では動作しないバックドアのチェックポイントを配布することができる。最近のポストホック重み付け法は、そのようなバックドアを注入するための効率的なアプローチを提供する。
論文参考訳（メタデータ） (2026-04-14T06:48:33Z)
RCP: Representation Consistency Pruner for Mitigating Distribution Shift in Large Vision-Language Models [24.3914653184824]
LVLM(Large Vision-Language Models)は、言語デコーダによって処理される膨大な数の視覚トークンによって、推論の禁止コストに悩まされる。既存のプルーニング法は、視覚トークンの可逆的な除去が、事前訓練されたフルトケン状態から逸脱した隠れ状態の分布シフトを引き起こすため、大きな性能劣化を引き起こすことが多い。本稿では,累積的視覚トークンプルーニングと遅延修復機構を統合した一貫性表現プルーナを提案する。
論文参考訳（メタデータ） (2026-04-04T13:31:45Z)
Good-Enough LLM Obfuscation (GELO) [0.0]
大きな言語モデル(LLM)は、デバイスメモリに読み取りアクセスする敵がKVキャッシュや隠された状態を観測できるような共有アクセラレーターで提供されることが多い。本稿では、信頼できない加速器観測からの情報漏洩を制限するプライバシー保護推論プロトコルであるGELOを提案する。
論文参考訳（メタデータ） (2026-03-05T10:33:48Z)
The Trojan in the Vocabulary: Stealthy Sabotage of LLM Composition [31.827344197678126]
トケナイザー移植はサプライチェーンの脆弱性を導入する。係数再利用の幾何学を利用して、我々の攻撃は非対称的な実現可能性ギャップを生み出す。実験的に、攻撃は訓練なしで、スペクトルの模倣を達成し、異常検出を回避する。
論文参考訳（メタデータ） (2025-12-31T19:00:03Z)
MaskPro: Linear-Space Probabilistic Learning for Strict (N:M)-Sparsity on Large Language Models [53.36415620647177]
半構造化された空間は、M$M$の重みからN$の要素を戦略的に保持することで、有望なソリューションを提供する。既存の(N:M)互換のアプローチは通常、かなりのエラーに悩まされるルールベースの階層的な欲求探索と、禁止的なトレーニングコストを引き起こす勾配駆動学習の2つのカテゴリに分類される。 MaskProという新しい線形空間確率的フレームワークを提案する。これは、M$連続重みごとに事前のカテゴリー分布を学習し、その後、この分布を活用して(N:M)スパーシリティを$N$-wayサンプリングを通じて生成することを目的としている。
論文参考訳（メタデータ） (2025-06-15T15:02:59Z)
Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
論文参考訳（メタデータ） (2025-06-04T01:23:35Z)
FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文参考訳（メタデータ） (2025-05-19T07:32:56Z)
Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
論文参考訳（メタデータ） (2024-06-04T07:45:27Z)
A Closer Look at Robustness to L-infinity and Spatial Perturbations and their Composition [14.508683884152347]
逆機械学習では、人気のある$ell_infty$の脅威モデルが、ずっと以前からの作業の焦点となっている。我々は,この新たな脅威モデルに対して,現状の $ell_infty$ ディフェンスをどのように適用できるかを検討する。新たに提案したTRADES$_textAll$戦略が,すべての中で最強であることがわかった。
論文参考訳（メタデータ） (2022-10-05T21:57:14Z)
Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。 SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
論文参考訳（メタデータ） (2022-07-25T03:24:58Z)

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。