Fugu-MT 論文翻訳(概要): On the Resilience of Text-to-Video Diffusion Models to Hardware Faults

論文の概要: On the Resilience of Text-to-Video Diffusion Models to Hardware Faults

arxiv url: http://arxiv.org/abs/2608.29598v1
Date: Sun, 30 Aug 2026 06:41:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.015562
Title: On the Resilience of Text-to-Video Diffusion Models to Hardware Faults
Title（参考訳）: テキスト・ビデオ拡散モデルのハードウェア故障に対する耐性について
Abstract要約: ランダムなハードウェアレベルの故障下でのテキスト・ツー・ビデオ拡散モデル(T2V)のレジリエンスに関する最初の系統的研究について述べる。単一障害は、全体的なパフォーマンスを最大3.7%低下させ、意味的正しさは知覚的品質よりも影響を受けやすい。本研究は,T2Vシステム導入のリスクを明らかにし,耐故障性に関するさらなる研究を動機づけるものである。
参考スコア（独自算出の注目度）: 4.555287836831727
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the first systematic study of the resilience of text-to-video (T2V) diffusion models under random hardware-level faults. While T2V models are widely used for automated video generation due to their ability to produce high-quality, temporally coherent, and realistic videos, their iterative denoising process and spatiotemporal dependencies introduce unique failure modes. We perform an extensive fault-injection study covering both computational and memory faults across three T2V models and a representative benchmark. Our results show that (1) a single fault can degrade overall performance by up to 3.7\%, with semantic correctness more affected than perceptual quality; (2) memory faults are more damaging than computational faults, high-order exponent bits are particularly vulnerable, and the widely-used bfloat16 is more susceptible than alternative formats; and (3) 7-28\% of faults cause visible artifacts, including semantic changes such as added objects, suggesting that single faults are sufficient to alter output semantics. Our findings reveal reliability risks in deployed T2V systems and motivate further research on improving fault resilience. Code: \href{https://github.com/ztcoalson/T2V-Resilience}{https://github.com/ztcoalson/T2V-Resilience}.
Abstract（参考訳）: 本稿では,ランダムなハードウェアレベルの故障下でのテキスト・ツー・ビデオ(T2V)拡散モデルのレジリエンスに関する最初の系統的研究について述べる。 T2Vモデルは、高品質で時間的コヒーレントでリアルなビデオを生成する能力のために、ビデオの自動生成に広く利用されているが、反復的なデノイングプロセスと時空間依存性は、ユニークな障害モードを導入している。我々は3つのT2Vモデルと代表的なベンチマークで計算とメモリの両方の故障を広範囲に調査する。以上の結果から,(1) 単一障害が全体の性能を最大3.7 %向上し,その意味的正しさが知覚的品質よりも影響を受けやすいこと,(2) メモリ障害が計算的欠陥よりも被害が大きいこと,高次指数ビットが特に脆弱であること,また,広く使用されているbfloat16が代替フォーマットよりも感受性が高いこと,(3) 7-28 % の障害が,追加オブジェクトなどの意味的変化を含む可視的アーティファクトの原因となり,単一の障害が出力セマンティクスを変更するのに十分なこと,などが示唆された。本研究は,T2Vシステムの信頼性リスクを明らかにし,耐故障性向上に向けたさらなる研究を動機づけるものである。コード: \href{https://github.com/ztcoalson/T2V-Resilience}{https://github.com/ztcoalson/T2V-Resilience}

関連論文リスト

I2VShield: An Efficient Proactive Defense Framework against DiT-based Image-to-Video Models [4.606986864282809]
ビデオ生成モデルは、イメージ・ツー・ビデオ(I2V)モデルの誤用の増加につながっている。現在のI2Vモデルに対する積極的な防御は、主に勾配に基づく敵攻撃に依存している。 I2Vモデルに適した生成的敵攻撃に基づくプライバシ保護手法であるI2VShieldを提案する。
論文参考訳（メタデータ） (2026-07-28T10:05:11Z)
VidLeaks: Membership Inference Attacks Against Text-to-Video Models [17.443499650679964]
メンバーシップ推論攻撃(MIA)は、著作権やプライバシー侵害を監査するための原則化されたツールである。 2つの相補的な信号を通してスパース時間記憶を探索する新しいフレームワークVidLeaksを導入する。我々の研究は、T2Vリークがスパース記憶と時間記憶の両方を通して、かなりのメンバーシップ情報をモデル化した最初の具体的な証拠を提供する。
論文参考訳（メタデータ） (2026-01-16T11:35:52Z)
T2VAttack: Adversarial Attack on Text-to-Video Diffusion Models [67.13397169618624]
本稿では,テキスト・トゥ・ビデオ(T2V)モデルに対するセマンティックおよび時間的観点からの敵対的攻撃に関する研究であるT2VAttackを紹介する。提案手法は, 意味的, 時間的クリティカルな単語をプロンプトで識別し, アドレディ検索による同義語に置き換えるT2VAttack-Sと, 最適化された単語を最小の摂動で反復的に挿入するT2VAttack-Iである。
論文参考訳（メタデータ） (2025-12-30T03:00:46Z)
VMDT: Decoding the Trustworthiness of Video Foundation Models [77.90980744982079]
テキスト・トゥ・ビデオ(T2V)モデルとビデオ・トゥ・テキスト(V2T)モデルを評価するための最初の統一プラットフォームであるVMDTを紹介する。 VMDTを用いた7つのT2Vモデルと19のV2Tモデルの評価により、いくつかの重要な知見が得られた。
論文参考訳（メタデータ） (2025-11-07T19:56:00Z)
Learning from Heterogeneity: Generalizing Dynamic Facial Expression Recognition via Distributionally Robust Optimization [23.328511708942045]
Heterogeneity-Aware Distributional Framework (HDF) は、時間周波数モデリングを強化し、ハードサンプルによる不均衡を軽減するために設計された。時間周波数分散アテンションモジュール(DAM)は、時間的一貫性と周波数ロバスト性の両方をキャプチャする。適応最適化モジュール分散対応スケーリングモジュール (DSM) は、動的に分類と対照的な損失のバランスをとるために導入された。
論文参考訳（メタデータ） (2025-07-21T16:21:47Z)
Re-ttention: Ultra Sparse Visual Generation via Attention Statistical Reshape [38.76559841681518]
大きなボトルネックは、複雑性が解像度とビデオ長で2倍にスケールする注意機構である。既存の技術は、非常に高い空間レベルにおける視覚的品質の維持に失敗し、無視できない計算オーバーヘッドを発生させる可能性がある。本稿では,視覚生成モデルに非常に注意を払わせるRe-ttentionを提案する。
論文参考訳（メタデータ） (2025-05-28T22:39:12Z)
T2VShield: Model-Agnostic Jailbreak Defense for Text-to-Video Models [88.63040835652902]
テキストからビデオモデルへの攻撃はジェイルブレイク攻撃に弱いため、特別な方法で安全メカニズムをバイパスし、有害または安全でないコンテンツの生成につながる。我々は、ジェイルブレイクの脅威からテキストからビデオモデルを守るために設計された包括的でモデルに依存しない防衛フレームワークであるT2VShieldを提案する。本手法は,既存の防御の限界を特定するために,入力,モデル,出力の段階を体系的に解析する。
論文参考訳（メタデータ） (2025-04-22T01:18:42Z)
F3-Pruning: A Training-Free and Generalized Pruning Strategy towards Faster and Finer Text-to-Video Synthesis [94.10861578387443]
変圧器と拡散モデルを用いた2つの主流T2Vモデルの推論過程について検討する。本稿では、時間的余分な注意重みを突破するF3プルーニングと呼ばれるトレーニングフリーで一般化されたプルーニング戦略を提案する。古典的なトランスフォーマーベースモデルCogVideoと典型的な拡散ベースモデルTune-A-Videoを用いた3つのデータセットの大規模な実験により、F3-Pruningの有効性が検証された。
論文参考訳（メタデータ） (2023-12-06T12:34:47Z)
DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
論文参考訳（メタデータ） (2023-03-13T06:05:18Z)
Deeper Insights into ViTs Robustness towards Common Corruptions [82.79764218627558]
我々は、CNNのようなアーキテクチャ設計とCNNベースのデータ拡張戦略が、一般的な汚職に対するViTsの堅牢性にどのように影響するかを検討する。重なり合うパッチ埋め込みと畳み込みフィードフォワードネットワーク(FFN)がロバスト性の向上を実証する。また、2つの角度から入力値の増大を可能にする新しい条件付き手法も導入する。
論文参考訳（メタデータ） (2022-04-26T08:22:34Z)

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。