論文の概要: Cryptanalytic Extraction of Neural Networks Without Known Architecture Assumption
- arxiv url: http://arxiv.org/abs/2609.14379v1
- Date: Sun, 13 Sep 2026 08:28:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.80529
- Title: Cryptanalytic Extraction of Neural Networks Without Known Architecture Assumption
- Title（参考訳）: アーキテクチャ推定のないニューラルネットワークのクリプトアナリシス抽出
- Abstract要約: 既存の攻撃は基本的な前提に依存し、攻撃者はネットワークアーキテクチャを知っている。
アーキテクチャとパラメータを協調的に復元する推定・決定のフレームワークを提案する。
これは、既知のネットワークアーキテクチャの仮定を除去する最初の暗号解析抽出攻撃である。
- 参考スコア（独自算出の注目度）: 8.049549094546977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cryptanalytic extraction attacks recover the parameters of a neural network given only black-box access to its raw output. However, all existing attacks rely on a fundamental assumption: the attacker knows the network architecture. For example, regarding ReLU activation-based fully connected networks, the network depth and the dimension of each hidden layer are known. In this paper, we study whether this assumption can be removed. We focus on ReLU fully connected networks and propose a guess-and-determine framework that recovers the architecture and the parameters jointly. The core of our approach is a simple but powerful observation: dimension guessing leaves architecture-sensitive traces in the parameter recovery process. We identify two such traces: (i) a \emph{zero suffix} in the merged weight vectors produced by signature recovery, whose length reveals the number of excess guesses; and (ii) an \emph{equality pattern} in the preimage-based sign recovery, which occurs only when the dimension guess is correct. These two signals give rise to two complementary recovery routes. We further propose two criteria for identifying the second-to-last layer, which is necessary for terminating the guessing process. We implement end-to-end attacks on a wide range of ReLU networks, including both expansive and non-expansive architectures. To the best of our knowledge, this is the first cryptanalytic extraction attack that removes the assumption of known network architecture.
- Abstract（参考訳）: クリプトアナリシス抽出攻撃は、原出力へのブラックボックスアクセスのみを与えられたニューラルネットワークのパラメータを回復する。
しかしながら、既存の攻撃はすべて、基本的な前提に依存している。
例えば、ReLUアクティベーションベースの完全接続ネットワークについては、ネットワーク深さと各隠蔽層の寸法が知られている。
本稿では,この仮定を除去できるかどうかを考察する。
本稿では,ReLU完全連結ネットワークに着目し,アーキテクチャとパラメータを協調的に復元する推定・決定フレームワークを提案する。
我々のアプローチの中核は単純だが強力な観察であり、次元推定はパラメータ回復プロセスにアーキテクチャに敏感な痕跡を残している。
これら2つの痕跡を同定する。
i)シグネチャ回復によって生成される重みベクトルにおいて、過剰な推測数を示す長さが示される「emph{zero suffix}」
(ii) 次元推定が正しい場合にのみ発生する前像に基づく符号回復における \emph{equality pattern} 。
これら2つの信号は、2つの補完的な回復経路をもたらす。
さらに,推定過程の終了に必要な第2から第2の層を特定するための2つの基準を提案する。
我々は、広範囲のReLUネットワークに対して、拡張性および非拡張性アーキテクチャを含むエンドツーエンド攻撃を実装している。
我々の知る限りでは、これは既知のネットワークアーキテクチャの仮定を除去する最初の暗号解析抽出攻撃である。
関連論文リスト
- Backdoor Channels Hidden in Latent Space: Cryptographic Undetectability in Modern Neural Networks [0.9099663022952497]
等価な非検出性が、最新のエンドツーエンドのトレーニングネットワークに拡張されるかどうかを検討する。
我々は,最先端アーキテクチャに対する攻撃機構を構築し,非検出性という暗号的概念と密接に一致している。
以上の結果から,暗号バックドアはエキゾチックなアーキテクチャや人工的な構造を必要とする工芸品である必要はなく,学習表現の幾何学に固有の潜伏特性として識別できることが判明した。
論文 参考訳（メタデータ） (2026-05-13T09:06:25Z) - Adversarial generalization of unfolding (model-based) networks [0.0]
本稿では,$l$-normの制約付き攻撃で乱れた場合の展開ネットワークの対角一般化について検討する。
これは展開ネットワークの対角一般化に関する最初の理論的解析である。
実世界のデータに関する一連の実験を行い、得られた理論を裏付ける結果を得た。
論文 参考訳（メタデータ） (2025-09-18T19:17:07Z) - Navigating the Deep: Signature Extraction on Deep Neural Networks [7.13570508245734]
ニューラルネットワークモデル抽出は重要なセキュリティ上の懸念事項として浮上している。
以前の研究は、ニューラルネットワークパラメータを抽出するために、差分暗号解析にインスパイアされたテクニックを導入していた。
カルリーニ等のシグネチャ抽出法において,シグネチャ抽出法において,シグネチャ抽出法を初めて体系的に同定し,対処することにより,シグネチャ抽出法を再検討し,洗練する。
論文 参考訳（メタデータ） (2025-06-20T14:59:47Z) - Find A Winning Sign: Sign Is All We Need to Win the Lottery [52.63674911541416]
既存のIP手法によって訓練されたスパースネットワークは,パラメータ記号と正規化層パラメータが保存されている場合,アトラクションの基盤を保持することができることを示す。
本手法により訓練されたスパースネットワークと正規化層パラメータとの線形経路における高い誤差障壁を防止し, 正規化層パラメータへの依存を緩和する。
論文 参考訳（メタデータ） (2025-04-07T09:30:38Z) - Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。
xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。
提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
論文 参考訳（メタデータ） (2025-02-27T01:49:00Z) - End-to-End Convolutional Activation Anomaly Analysis for Anomaly Detection [41.94295877935867]
エンドツーエンドの畳み込みアクティベーション異常解析(E2E-CA$3$)
エンドツーエンドの畳み込み動作異常解析(E2E-CA$3$)を提案する。
これは、Sperl、Schulze、B"ottingerによって提案されたA$3$の異常検出アプローチの重要な拡張である。
論文 参考訳（メタデータ） (2024-11-21T10:22:50Z) - Understanding Reconstruction Attacks with the Neural Tangent Kernel and
Dataset Distillation [110.61853418925219]
我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。
理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。
これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
論文 参考訳（メタデータ） (2023-02-02T21:41:59Z) - Towards Bi-directional Skip Connections in Encoder-Decoder Architectures
and Beyond [95.46272735589648]
本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。
我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。
本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
論文 参考訳（メタデータ） (2022-03-11T01:38:52Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - An Improved Dilated Convolutional Network for Herd Counting in Crowded
Scenes [1.7358040670413502]
本稿では,2つの双方向畳み込み型ディープラーニングアーキテクチャからなる正確なモニタリングシステムを提案する。
提案モデルでは,最先端手法よりも30%高速に収束することが示されている。
上海データセットに適用すると、平均絶対誤差(MAE)が20%低い。
論文 参考訳（メタデータ） (2020-08-17T12:31:10Z)
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。