論文の概要: Protocol effects on feature-based hardware-Trojan detection across Trust-Hub families
- arxiv url: http://arxiv.org/abs/2609.07199v1
- Date: Mon, 07 Sep 2026 08:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.387302
- Title: Protocol effects on feature-based hardware-Trojan detection across Trust-Hub families
- Title（参考訳）: Trust-Hub ファミリー間の特徴ベースハードウェアトロイジャン検出におけるプロトコル効果
- Abstract要約: Trust-Hubはホスト回路を再利用する。
兄弟の変種からのゲートがトレーニングとテストの折り畳みの両方に入ると、検出器は、既に見たホストロジックの恩恵を受けることができる。
コーパスには5つのホストファミリーに分かれた16のネットリストから49,124のゲートがある。
- 参考スコア（独自算出の注目度）: 2.8082364345698387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trust-Hub reuses host circuits: several files differ mainly in the inserted Trojan. When gates from sibling variants enter both training and test folds, a detector can benefit from host logic it has already seen. We measure that effect instead of proposing another classifier. The corpus contains 49,124 gates from 16 netlists grouped into five host families. We left the parser, 36 gate features, class weighting, model settings, threshold, and family-level aggregation unchanged and altered one choice: the test boundary. The three settings draw test gates from the pooled corpus, withhold a complete netlist, or withhold every variant of one host. The choice matters. Random forest records F1/AP of 0.914/0.978 with pooled gates, 0.636/0.851 with one netlist held out, and 0.460/0.577 with a host family held out. XGBoost falls from 0.946/0.976 to 0.464/0.544 across the same comparison. Logistic regression loses AP, although its fixed-threshold F1 is not monotonic. Each family shows the same pooled-to-family direction. Feature removal, repeated model and simulator seeds, score normalization, parser-related exclusions, and a smaller sample change the size of the gap without reversing it. Aggregation also matters: a gate-weighted average is dominated by the larger ISCAS files, so the headline values give each host family one vote. Bootstrap and jackknife summaries keep the gap positive, but their folds reuse training families. We treat the five family rows as descriptive evidence rather than independent trials. Five host families are too few for a population claim, and the experiment says nothing about transfer to a new cell library or an industrial design. It supports a narrower conclusion: sibling benchmark variants can inflate apparent transfer. Benchmarks with several variants of one host circuit should report family-aware holdouts and all five family results beside pooled scores.
- Abstract（参考訳）: Trust-Hubはホスト回路を再利用する。
兄弟の変種からのゲートがトレーニングとテストの折り畳みの両方に入ると、検出器は、既に見たホストロジックの恩恵を受けることができる。
別の分類器を提案するのではなく、その効果を測る。
コーパスには5つのホストファミリーに分かれた16のネットリストから49,124のゲートがある。
パーサー、36のゲート機能、クラス重み付け、モデル設定、しきい値、家族レベルのアグリゲーションは変更せず、テストバウンダリという1つの選択肢を変更しました。
3つの設定は、プールされたコーパスからテストゲートを引き出し、完全なネットリストを保持したり、1つのホストのすべてのバリエーションを保持したりする。
選択は重要です。
ランダム森林のF1/APは0.914/0.978、プールゲートは0.636/0.851、ネットリストは0.460/0.577、ホストファミリーは0.460/0.577である。
XGBoostは同じ比較で0.946/0.976から0.464/0.544に該当する。
ロジスティック回帰はAPを失うが、固定閾値F1は単調ではない。
それぞれの家族は同じ方向を向いている。
特徴除去, 繰り返しモデルおよびシミュレータシード, スコア正規化, パーザ関連排除, サンプルサイズが小さくなり, 逆転しない。
ゲート重み付き平均はより大きなISCASファイルによって支配されるため、見出し値は各ホストファミリーに1票を与える。
BootstrapとJackknifeの要約はギャップをポジティブに保ちますが、その折りたたみはトレーニングファミリーを再利用します。
我々は5つの家系列を独立した裁判ではなく記述的な証拠として扱う。
この実験では、新しい細胞ライブラリーや工業デザインへの移行については何も述べていません。
兄弟ベンチマークの変種は明らかな移動を増大させることができる。
1つのホスト回路のいくつかの変種を持つベンチマークでは、ファミリー対応のホールドアウトと、プールされたスコアの横にある5つのファミリー結果が報告されるべきである。
関連論文リスト
- Right-Sizing LLM-Agent Decomposition in VAT Determination: A Pilot Controlled Sweep [0.3384279376065155]
このパイロットは、逆電荷による境界境界VAT決定の選択について研究する。
アクティビティサーフェスを固定する(サブタスク、ツール、I/Oスキーマ、検証チェック、オーケストレータ、ベースモデル、マージポリシー)。
プログラムは40ケースのメインスイープ、マッチしたトケンアーム、エージェントカウント効果から即時予算を分離する3つの失敗インジェクションアームを含む4,400回に及ぶ。
論文 参考訳（メタデータ） (2026-08-24T15:40:15Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - Similarity Gates Approve Reversals: A Validity Audit of Embedding-Cosine Thresholds in Agent Systems [0.0]
エージェントフレームワークは、テキストブロックを埋め込みコサインの類似性によって比較し、固定されたカットオフを決定する品質ゲートを出荷する。
重複フィルタ、セマンティックキャッシュ、ドリフトガード、応答グレーダゲートは、質問に答えるために配置されます。
我々はこのゲートクラスを測定器として監査する。
論文 参考訳（メタデータ） (2026-08-10T20:36:40Z) - Stream Learning: Partition-Fair Gossip Learning Without Tokens [42.360058202775626]
ゴシップ学習では、ノードのネットワークは、ローカルモデルの一部を何度も交換することによって、中央コーディネータなしで、共有モデルを協調的に訓練する。
The State-of-the-art Protocol, Partitioned Token Gossip Learning (PTGL) of Hegeds et al.は、ウェイトマトリックスをS固定パーティションに分割し、近隣のメタデータ交換と結合したトークンベースのフェアネスメカニズムを用いてそれらを分散する。
我々の主な発見は、これらのプロトコルの最も単純なものは、局所的に最小に訓練されたパーティションを一様ランダムな隣人(Ri)に送信し、トークンカウンタも必要とせず、PTGLとフォールトフリーワークロードを一致させることである。
論文 参考訳（メタデータ） (2026-08-07T08:22:37Z) - A Triple-Robustness Analysis of Retrieval-Augmented Generation for Multi-Hop Requirements Traceability [0.0]
GraphRAG対ベクトルRAGに関する報告された評決は一致せず、その証拠は典型的には1つのコーパス、埋め込み器、および裁判官と結びついている。
本稿では,5ピペリンアーキテクチャ行列を固定し,組込み器を可変させる3重ロバスト性解析について述べる。
我々は、RAGアーキテクチャのクレームが信頼される前に、このレベルの堅牢性でテストされるべきであると主張している。
論文 参考訳（メタデータ） (2026-08-01T15:05:45Z) - How Modular Is a Frontier Mixture-of-Experts? A Pre-registered Causal Test in Which Apparent Expert Modularity Mostly Dissolves [0.08599681538174887]
我々は、ルーティングマスアトラスを構築し、6つのファミリー対軸仮説を事前登録し、サイズマッチングされたランダムエキスパートヌルに対して各ファミリーを推論時にアブレーションする。
4つのメトリクスで同じファミリーをテストし、信頼度の高いブートストラップ間隔で独立した独立したコーパスを実行します。
登録済みの6家族のうち、アラビア語族のうち1家族だけが独立したコーパスと保守的な統計的バーを生き残る清潔な選択的なモジュールである。
論文 参考訳（メタデータ） (2026-06-23T18:55:41Z) - Post-Training Recipe, More Than Model Family, Shapes Multi-Agent LLM Conversational Behavior [16.249731576262167]
我々は,対話型マルチLLMシステムにおいて,同じファミリラベルが振舞いを予測するかどうかを検討する。
推理蒸留したLlamaチェックポイントのヘッジは、どのベースパートナーが返信するかによって18%シフトすることがわかった。
その結果,ポストトレーニングレシピをマルチLLMパネル合成のための第1級軸として同定した。
論文 参考訳（メタデータ） (2026-05-30T07:26:26Z) - Let the Results Speak: A Replication-First Paradigm for LLM Behavioral Benchmarking [22.825786049667602]
本稿では,1つのヒト・ラタのコンセンサスに有効性を確保するために,複製第一パラダイムを提案する。
楽器を4つの特性で認証する - Kランの信頼性、アーキテクチャ的に異なる審査員間のクロスインストラクトレプリケーション、以前のトレーニングコホートからの審査員による歴史的フットプリントキャリブレーション、事前登録された予測。
本研究は, 自己発達型データ駆動による情緒的伴奏で, 次元は事前に決められず, 手順は9次元に安定化する。
論文 参考訳（メタデータ） (2026-05-27T03:41:11Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - No More Sibling Rivalry: Debiasing Human-Object Interaction Detection [47.554732714656296]
この研究は、相互作用デコーダの学習を妨げる重要な問題である「毒性兄弟」のバイアスを特定する。
このバイアスは、兄弟三重項/カテゴリ間の高い混乱から生じ、類似性の増加はパラドックス的に精度を低下させる。
我々は,2つの新しいデバイアス学習目標-「コントラスト-then-calibration」と「マージ-then-split」を提案する。
論文 参考訳（メタデータ） (2025-08-31T09:23:15Z) - Towards Regression-Free Neural Networks for Diverse Compute Platforms [50.64489250972764]
負のフリップを小さくする高精度モデル群を設計するために,REG-NAS(Regression constrained Neural Architecture Search)を導入する。
REG-NASは2つのコンポーネントから構成される: 1) より大きなモデルでより小さなモデルの全重みを収容できる新しいアーキテクチャ制約により、重量共有を最大化する。
我々は,regnasが3つの一般的なアーキテクチャ検索空間において,負のフリップが少なく,望ましいアーキテクチャを見つけることができたことを実証した。
論文 参考訳（メタデータ） (2022-09-27T23:19:16Z)
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。