論文の概要: Poisoning Attacks on the PGM-index

• arxiv url: http://arxiv.org/abs/2609.02328v1
• Date: Wed, 02 Sep 2026 09:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.211037
• Title: Poisoning Attacks on the PGM-index
• Title（参考訳）: PGMインデクシング攻撃
• Abstract要約: 我々はPGMインデックスを最大120倍に膨らませる高効率な中毒発作であるPGMアタックを提案する。 その結果, PLAの最適性にもかかわらず, PGM-indexは最適化目的に根ざした本質的な脆弱性があることが判明した。
• 参考スコア（独自算出の注目度）: 19.804639010699997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The PGM-index (Ferragina and Vinciguerra, VLDB'20) is one of the most practical learned indexes, owing to its theoretical elegance and consistently strong empirical performance. It is built on optimal piecewise linear approximations (PLAs) that minimize the number of segments. In this paper, we ask how sensitive this optimal PLA itself is to poisoning attacks. We propose PGM-attack, an efficient poisoning attack that sequentially inserts adversarial keys to inflate the resulting number of segments, and we develop a method for deriving theoretical upper bounds on the number of segments attainable under arbitrary insertions. Our experiments show that poisoning only 10% of the keys allows PGM-attack to increase the segment count by up to 120x. On every evaluated instance, our instance-dependent upper bound is at most 1.92x the segment count attained by PGM-attack, certifying that PGM-attack achieves at least 52% of the optimum. This increase in the number of segments enlarges the PGM-index by up to 120x. Moreover, the attack also transfers to other learned indexes, substantially inflating the index size of PLA-based ones in particular. Our results reveal that, despite the optimality of its PLAs, the PGM-index has an intrinsic vulnerability rooted in its optimization objective, motivating robustness-aware objective design for future learned indexes. Our code is publicly available at https://github.com/atsukisato/pgm-attack.
• Abstract（参考訳）: PGM-index(Ferragina and Vinciguerra, VLDB'20)は、理論的なエレガンスさと一貫して強い経験的性能のため、最も実践的な学習指標の1つである。 セグメント数を最小限に抑える最適ピースワイズ線形近似(PLA)に基づいて構築されている。 本稿では、この最適PLA自体が攻撃を害することに対してどれほど敏感であるかを問う。 PGM攻撃は, 敵鍵を逐次挿入し, 任意の挿入で到達可能なセグメント数に関する理論上界を導出する手法を提案する。 実験の結果, キーの10%しか中毒していないため, PGM攻撃によりセグメント数を最大120倍に増やすことができた。 評価されたすべてのインスタンスにおいて、インスタンス依存上界はPGMアタックによって達成されたセグメント数の少なくとも1.92倍であり、PGMアタックが最適の少なくとも52%を達成することを証明している。 このセグメント数の増加は、PGMインデックスを最大120倍に拡大する。 さらに、攻撃は学習した他のインデックスにも転送され、特にPLAベースのインデックスのサイズが大幅に膨らみます。 PGM-indexはPLAの最適性にもかかわらず、その最適化目的に根ざした本質的な脆弱性を持ち、将来の学習指標に対する頑健さを意識した客観的設計を動機付けている。 私たちのコードはhttps://github.com/atsukisato/pgm- attackで公開されています。

関連論文リスト

• Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy [61.848691894557426]
  ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。 本稿では,頑健なスパースベクトル平均推定問題に対処する。 本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
  論文  参考訳（メタデータ） (2026-07-30T07:55:09Z)
• Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs [75.62489398666644]
  我々は,Claude Codeをベースとしたemphautoresearchスタイルのパイプライン citepkarpathy2026autoresearch が,新しいホワイトボックス対逆攻撃を発見できることを示した。 textbfsignantは、jailbreakで既存のすべての(30以上のメソッド)を著しく上回り、インジェクション評価を促します。
  論文  参考訳（メタデータ） (2026-03-25T16:50:56Z)
• Mathematical Foundations of Poisoning Attacks on Linear Regression over Cumulative Distribution Functions [19.804639010699997]
  学習インデックスは、機械学習モデルを用いて累積分布関数(CDF)を近似することにより、高速な検索を可能にするインデックスデータ構造のクラスである。 近年の研究では、学習した指標が、トレーニングデータに少量の毒鍵を注入することで、モデルの精度が著しく低下し、インデックスのパフォーマンスが低下する可能性があることが示されている。 本稿では,CDF 上の線形回帰モデルをターゲットにした毒殺攻撃の厳密な理論的解析を行う。
  論文  参考訳（メタデータ） (2026-02-28T08:21:44Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• SegPGD: An Effective and Efficient Adversarial Attack for Evaluating and Boosting Segmentation Robustness [63.726895965125145]
  ディープニューラルネットワークに基づく画像分類は、敵の摂動に弱い。 本研究では,SegPGDと呼ばれる効果的かつ効率的なセグメンテーション攻撃手法を提案する。 SegPGDはより効果的な敵の例を生成することができるため、SegPGDを用いた敵の訓練はセグメントモデルの堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2022-07-25T17:56:54Z)
• Proximal Splitting Adversarial Attacks for Semantic Segmentation [33.53113858999438]
  ホワイトボックス攻撃は、近位ラグランジアンノルムに基づく敵対的セグメンテーションモデルを騙すことができることを示す。 セグメンテーションに適応した分類攻撃と同様に,従来提案した攻撃よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-06-14T21:23:02Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• Patch-wise++ Perturbation for Adversarial Targeted Attacks [132.58673733817838]
  トランスファビリティの高い対比例の作成を目的としたパッチワイズ反復法(PIM)を提案する。 具体的には、各イテレーションのステップサイズに増幅係数を導入し、$epsilon$-constraintをオーバーフローする1ピクセルの全体的な勾配が、その周辺領域に適切に割り当てられる。 現在の攻撃方法と比較して、防御モデルでは35.9%、通常訓練されたモデルでは32.7%、成功率を大幅に向上させた。
  論文  参考訳（メタデータ） (2020-12-31T08:40:42Z)

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。