論文の概要: Modelstamp: Pre-Deserialization Verification of Machine-Learning Artifacts and Runtime Environment State

• arxiv url: http://arxiv.org/abs/2609.01781v1
• Date: Tue, 01 Sep 2026 18:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.90493
• Title: Modelstamp: Pre-Deserialization Verification of Machine-Learning Artifacts and Runtime Environment State
• Title（参考訳）: Modelstamp: マシンラーニングアーティファクトと実行環境状態の事前シリアライズ検証
• Abstract要約: 本稿では,アーティファクトの完全性を検証するための軽量Python永続化ライブラリであるModelstampを提案する。 永続化時には、ModelstampはシリアライズされたアーティファクトとSHA-256ダイジェストランタイムメタデータを含むサイドカーマニフェストを関連付ける。 Modelstampは、14の制御された環境境界シナリオ、8の制御された信頼領域シナリオ、および10 MiBから1 GiBまでのアーティファクトサイズのスケーリングベンチマークを使用して評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Persisted machine-learning models can remain byte-identical while the software environments in which they are loaded evolve, creating a verification problem that artifact integrity checks alone cannot expose. This paper presents Modelstamp, a lightweight Python persistence library for verifying artifact integrity and represented runtime-environment state before deserialization. At persistence time, Modelstamp associates a serialized artifact with a sidecar JSON manifest containing a SHA-256 digest, runtime metadata, and installed versions from a bounded tracked-package set; a separately recorded model-relevant subset determines which package versions participate in drift comparison. Optional HMAC authentication supports workflows in which the producer and verifier share a secret key. At verification time, the artifact and represented current environment are checked against this recorded evidence before the model is deserialized. Modelstamp is evaluated using 14 controlled environment-drift scenarios, eight controlled trust-boundary scenarios, and an artifact-size scaling benchmark from 10 MiB to 1 GiB. The controlled drift experiments behaved as specified across relevant dependency changes, unchanged environments, and unrelated environmental changes, including broader noise controls. The trust-boundary experiments similarly confirmed both intended detections and expected limitations, including shared-key forgery and replay. Median verification time increased from 0.032 s at 10 MiB to 3.334 s at 1 GiB, with measured throughput of approximately 307-312 MiB/s in the benchmark environment. These results characterize Modelstamp as a complementary pre-deserialization reference-state verification control rather than as a replacement for dependency-management systems, malicious-model detection, safe deserialization, or public publisher authentication.
• Abstract（参考訳）: 永続化された機械学習モデルは、ロードされるソフトウェア環境が進化している間、バイト単位のままであり、アーティファクトの完全性だけでは公開できない検証問題を生み出す。 本稿では, アーティファクトの完全性を検証する軽量PythonパーシステンスライブラリであるModelstampについて述べる。 永続時には、Modelstampはシリアライズされたアーティファクトと、SHA-256ダイジェスト、ランタイムメタデータ、およびインストールされたバージョンを含むサイドカーJSONマニフェストを、境界付きトラックパッケージセットから関連付ける。 オプションHMAC認証は、プロデューサと検証者が秘密鍵を共有するワークフローをサポートする。 検証時には、モデルがデシリアライズされる前に、この記録された証拠に対して、アーティファクトと表現された現在の環境をチェックする。 Modelstampは、14のコントロールされた環境境界シナリオ、8つのコントロールされた信頼境界シナリオ、および10 MiBから1 GiBまでのアーティファクトサイズのスケーリングベンチマークを使用して評価される。 制御されたドリフト実験は、関連する依存関係の変化、変化のない環境変化、より広い騒音制御を含む無関係な環境変化に比例して行動した。 信頼境界実験も同様に、意図された検出と、共有キーの偽造やリプレイを含む期待された制限の両方を確認した。 メディア検証時間は10 MiBで0.032 sから1 GiBで3.334 sに増加し、ベンチマーク環境では307-312 MiB/sと測定された。 これらの結果は、依存性管理システム、悪意のあるモデル検出、安全なデシリアライズ、パブリックパブリッシャ認証の代わりに、Modelstampを相補的なデシリアライズ前の参照状態検証制御として特徴付けている。

関連論文リスト

• Verification-Aware Training for Speculative Decoding [57.84976863792784]
  VAT(Verification-Aware Training)は、トレーニングステップ毎に検証をシミュレートし、その結果の受け入れパターンと拒否パターンを監督するプラグインフレームワークである。 VATはトレーニング対象のみを変更するため、ドラフトアーキテクチャやターゲットモデル、推論手順を変更することなく、既存のメソッドの上にレイヤー化することができる。 VATは平均受理期間を最大11.4%改善し、ウォールクロックのスピードアップを最大8.7%向上させ、数学、コード、チャットベンチマークで一貫した利益を得ている。
  論文  参考訳（メタデータ） (2026-08-31T01:42:10Z)
• Not to Break, but to Attest: Adversarial Probes for Privacy-Preserving LLM Verification [1.0323063834827413]
  大規模な言語モデルへのデプロイ後の変更は、ルーチン出力をほとんど変更することなく、振る舞いを変更する可能性がある。 本稿では,zk-SNARKをベースとしたプライバシー保護型監査フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T05:51:22Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• SrDetection: A Self-Referential Framework for Data Leakage Detection in Code Large Language Models [27.825867704129703]
  グレーボックスとブラックボックスの設定の両方に対して,textbfself-textbfreferential leakage 検出フレームワークを導入する。 SrDetectionは、ベンチマークサンプルのセマンティックに等価な変種を生成し、元のモデルの振る舞いとその変種との対比によってリークを検出する。 異なるモデルと訓練段階にわたって、SrDetectionはグレーボックス設定では平均F1を21.52ポイント、ブラックボックス設定では14.46ポイント改善している。
  論文  参考訳（メタデータ） (2026-06-29T05:48:42Z)
• MultiMolecule: a modular ecosystem for biomolecular sequence-model workflows [5.580799248701251]
  MultiMoleculeは、異種RNA、DNA、タンパク質配列モデルのリリースをソースチェック実装に変換する、オープンソースのPythonエコシステムである。 リポジトリ固有のチェックポイントから標準化されたチェックポイント、キュレートされたデータセット、ランナーと生物学的予測パイプラインに接続された実行可能な実装に移行することで、MultiMoleculeはソース定義モデル動作を保存するための共通のインフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-06-15T10:41:25Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• fastml: Guarded Resampling Workflows for Safer Automated Machine Learning in R [0.0]
  我々は、ガードされた再サンプリングを通して漏洩認識機械学習のためのシングルコールインタフェースであるfastmlを提示する。 fastmlはグループ化とタイムオーダーのリサンプリングをサポートし、ハイリスク設定をブロックし、外部依存関係のレシピを監査し、サンドボックス実行と統合モデル説明を含む。
  論文  参考訳（メタデータ） (2026-04-06T22:41:27Z)
• Attesting LLM Pipelines: Enforcing Verifiable Training and Release Claims [2.0403981727850233]
  現代の大規模言語モデル(LLM)システムは、事前トレーニングされた重み付け、微調整アダプタ、データセット、依存関係パッケージ、コンテナイメージといったサードパーティの成果物から組み立てられている。 このスピードには、妥協された依存関係、悪意のあるハブアーティファクト、安全でないデフォールト化、偽造された前兆、バックドアモデルなど、サプライチェーンのリスクが伴う。 本稿では,信頼された環境にアーティファクトが認められる前に,クレームエビデンスを検証し,安全なローディングと静的スキャンポリシーを適用し,セキュアなシリアル配置制約を適用した,証明対応のプロモーションゲートを提案する。
  論文  参考訳（メタデータ） (2026-03-30T20:37:48Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
  検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。 テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。 事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
  論文  参考訳（メタデータ） (2024-02-27T04:56:04Z)

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。