論文の概要: A Simple Transformer Pipeline for Full-Key Side-Channel Attacks on Uncropped Datasets

• arxiv url: http://arxiv.org/abs/2608.30105v1
• Date: Mon, 31 Aug 2026 00:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.179957
• Title: A Simple Transformer Pipeline for Full-Key Side-Channel Attacks on Uncropped Datasets
• Title（参考訳）: 切り離されたデータセット上でのフルキーサイドチャネル攻撃のための簡単なトランスパイプライン
• Abstract要約: ディープラーニングに基づくサイドチャネル分析は、これまではシングルバイトのターゲットと手作業によるトレースに重点を置いてきた。 本稿では,標準的なトランスフォーマーエンコーダのバックボーンを用いたアンクロッピングフルキー攻撃のためのオープンソースのトランスフォーマー実装を提案する。 我々は,以前報告した結果と競合する性能を実現するために,未収録のASCADv1f,ASCADv1r,CHES-CTF-2018の実装,トレーニングレシピ,事前訓練したウェイトをリリースする。
• 参考スコア（独自算出の注目度）: 7.8636382530704365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based side-channel analysis has historically focused on single-byte targets and manually cropped traces, which risks discarding exploitable leakage. While recent work has proposed specialized architectures and resampling techniques to address this gap, the literature lacks a simple transformer baseline for simultaneous full-key attacks on uncropped traces. We present an open-source transformer implementation for uncropped full-key attacks which uses the standard transformer encoder backbone, adapting only the input and output layers to the side-channel setting. We release our implementation, training recipes, and pretrained weights for uncropped ASCADv1f, ASCADv1r, and CHES-CTF-2018 which achieve performance competitive with previously-reported results, while using less than 10GB of VRAM and requiring at most 3.34 hours of training on a single NVIDIA A6000.
• Abstract（参考訳）: ディープラーニングに基づくサイドチャネル分析は、これまで、単一バイトのターゲットと手作業によるトレースに重点を置いてきた。 近年の研究では、このギャップに対処する特殊なアーキテクチャと再サンプリング技術が提案されているが、この文献には、無数のトレースに対して同時にフルキー攻撃を行うための単純なトランスフォーマーベースラインが欠落している。 本稿では、標準トランスフォーマーエンコーダのバックボーンを用いて、入力層と出力層のみをサイドチャネル設定に適応させるアンクラップフルキー攻撃のためのオープンソースのトランスフォーマー実装を提案する。 10GB未満のVRAMを使用し、1台のNVIDIA A6000で3.34時間以上のトレーニングを必要としながら、これまで報告された結果と競合する性能を実現するために、未処理のASCADv1f、ASCADv1r、CHES-CTF-2018の実装、トレーニングレシピ、および事前トレーニングウェイトをリリースする。

関連論文リスト

• CSDformer: A Conversion Method for Fully Spike-Driven Transformer [11.852241487470797]
  スパイクベースのトランスは、スパイクニューラルネットワークの性能向上を目的とした、新しいアーキテクチャである。 完全スパイク駆動変圧器の新しい変換法であるCSDformerを提案する。 CSDformerは超低レイテンシで高いパフォーマンスを実現し、計算複雑性とトレーニングオーバーヘッドの両方を劇的に削減する。
  論文  参考訳（メタデータ） (2025-09-22T07:55:03Z)
• HyCoT: A Transformer-Based Autoencoder for Hyperspectral Image Compression [6.0163252984457145]
  ハイパースペクトル圧縮変換器 (Hyperspectral Compression Transformer, HyCoT) は、画素ワイドHSI圧縮のためのトランスフォーマーベースのオートエンコーダである。 HySpecNet-11kデータセットの実験結果は、HyCoTがPSNRの1dBを超える圧縮比で芸術の状態を超越していることを示している。
  論文  参考訳（メタデータ） (2024-08-16T12:27:46Z)
• Downstream Transfer Attack: Adversarial Attacks on Downstream Models with Pre-trained Vision Transformers [95.22517830759193]
  本稿では、事前訓練されたViTモデルから下流タスクへのこのような逆の脆弱性の伝達可能性について検討する。 DTAは攻撃成功率(ASR)が90%を超え、既存の手法をはるかに上回っていることを示す。
  論文  参考訳（メタデータ） (2024-08-03T08:07:03Z)
• Shallow Cross-Encoders for Low-Latency Retrieval [69.06104373460597]
  BERTやT5のような大きなトランスフォーマーモデルに基づくクロスエンコーダは計算コストが高く、非常に小さな遅延ウィンドウ内で少数の文書しかスコアできない。 より弱い浅層変圧器モデル(すなわち、層数が限られている変圧器)は、これらの実用的な低レイテンシ設定に制約された場合、実際にフルスケールモデルよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-03-29T15:07:21Z)
• TALL: Thumbnail Layout for Deepfake Video Detection [84.12790488801264]
  本稿では,Thumbnail Layout(TALL)という,シンプルだが効果的な戦略を紹介する。 TALLはビデオクリップを予め定義されたレイアウトに変換し、空間的および時間的依存関係の保存を実現する。 視覚変換器の成功に触発されて,我々はTALLをSwin Transformerに組み込み,効率的かつ効果的なTALL-Swin法を構築した。
  論文  参考訳（メタデータ） (2023-07-14T17:27:22Z)
• SVFormer: Semi-supervised Video Transformer for Action Recognition [88.52042032347173]
  SVFormerは、未ラベルの動画サンプルに対処するために、安定した擬似ラベルフレームワークを採用する。 さらに,ビデオの複雑な時間変動をカバーするための時間ゆらぎを提案する。 特にSVFormerは、Kinetics-400の1%のラベル付け率でトレーニングエポックを減らし、最先端の技術を31.5%上回っている。
  論文  参考訳（メタデータ） (2022-11-23T18:58:42Z)
• Pure Transformer with Integrated Experts for Scene Text Recognition [11.089203218000854]
  シーンテキスト認識(STR:Scene text recognition)は、自然のシーンの収穫された画像のテキストを読む作業である。 近年、変換器アーキテクチャはSTRで広く採用されており、長期依存を捕捉する強力な能力を示している。 本研究は,ハイブリッドCNN変換器モデルより優れた単純なベースラインとして,トランスフォーマーのみのモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T15:26:59Z)
• Q-ViT: Accurate and Fully Quantized Low-bit Vision Transformer [56.87383229709899]
  我々は、完全量子化視覚変換器(Q-ViT)のための情報修正モジュール(IRM)と分配誘導蒸留法を開発した。 我々の手法は、先行技術よりもはるかに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-13T04:00:29Z)
• Shatter: An Efficient Transformer Encoder with Single-Headed Self-Attention and Relative Sequence Partitioning [14.164984597158501]
  トランスフォーマーアーキテクチャは、自己注意に基づくもので、BERTのような大規模な事前訓練モデルの基礎となっている。 シーケンス情報をより効率的にエンコードする、別の自己アテンションアーキテクチャShatterを提案する。 我々は、ShatterがBERTよりも優れたパフォーマンスを達成することを示す広範な実験を行う。
  論文  参考訳（メタデータ） (2021-08-30T07:42:12Z)
• Spatiotemporal Transformer for Video-based Person Re-identification [102.58619642363958]
  我々は、強い学習能力にもかかわらず、バニラトランスフォーマーは過剰フィットのリスクの増加に苦しむことを示しています。 そこで本研究では,合成ビデオデータからモデルを事前学習し,下流領域に伝達する新しいパイプラインを提案する。 提案アルゴリズムは,3つの人気ビデオベース人物識別ベンチマークにおいて,精度向上を実現する。
  論文  参考訳（メタデータ） (2021-03-30T16:19:27Z)

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。