論文の概要: Cryptanalytic Extraction of Neural Networks Without Known Architecture Assumption
- arxiv url: http://arxiv.org/abs/2609.14379v2
- Date: Sat, 19 Sep 2026 13:48:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 03:38:27.340956
- 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: クリプトアナリシスモデル抽出は、被害者モデルとのブラックボックス相互作用を通じて機能的に等価なモデルを再構築することを目的としている。
本稿では,ネットワークアーキテクチャとモデル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。
これは、既知のアーキテクチャの仮定を取り除いた後、ディープニューラルネットワークで機能的に等価な抽出を実現する可能性が初めて実証された。
- 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 model extraction aims to reconstruct a functionally equivalent model through black-box interactions with the victim model. Under the fundamental assumption that the network architecture is completely known, existing attacks achieve the goal by recovering the model parameters. In this paper, we explore whether this assumption can be removed practically. Focusing on ReLU fully connected networks, which are widely studied in this field, we propose a guess-and-determine framework that jointly recovers the network architecture (including network depth and hidden-layer dimensions) and the model parameters. This framework is based on a simple yet effective high-level idea: after designing a parameter recovery attack under the known-architecture assumption, we can analyze the architecture-sensitive traces observed during parameter recovery to recover the network architecture. We identify two such traces in differential extraction attacks: (i) a \emph{zero suffix} in the merged weight vectors produced by signature recovery, whose length reveals the hidden layer dimension; and (ii) an \emph{equality pattern} in the preimage-based sign recovery, which occurs only under the true hidden layer dimension. These two signals give rise to two routes for network architecture recovery. For the second-to-last layer, we further propose two methods, one for identifying it, and one for recovering its dimension. Practical end-to-end attacks are implemented on a wide range of ReLU neural networks, including both expansive and non-expansive networks. To the best of our knowledge, this is the first time the feasibility of achieving functionally equivalent extraction on deep neural networks, after removing the known-architecture assumption, has been demonstrated in practice.
- Abstract（参考訳）: クリプトアナリシスモデル抽出は、被害者モデルとのブラックボックス相互作用を通じて機能的に等価なモデルを再構築することを目的としている。
ネットワークアーキテクチャが完全に知られているという基本的な前提の下で、既存の攻撃はモデルパラメータを復元することで目標を達成する。
本稿では,この仮定を効果的に除去できるかどうかを考察する。
本稿では,この分野で広く研究されているReLU完全連結ネットワークに着目し,ネットワークアーキテクチャ(ネットワーク深さと隠蔽層次元を含む)とモデル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。
既知のアーキテクチャ仮定の下でパラメータリカバリ攻撃を設計した後、パラメータリカバリ中に観測されたアーキテクチャに敏感なトレースを分析し、ネットワークアーキテクチャを復元する。
差分抽出攻撃における2つの痕跡を同定する。
i) シグネチャ回復によって生じる重みベクトルにおいて、その長さが隠された層次元を明示する「emph{zero suffix}」
(ii) 正の隠蔽層次元下で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、ネットワークアーキテクチャの回復のための2つの経路をもたらす。
さらに,第2層から第2層までを識別する手法と,その寸法を復元する手法を提案する。
実用的なエンドツーエンド攻撃は、拡張性および非拡張性ネットワークを含む幅広いReLUニューラルネットワークで実装されている。
我々の知る限りでは、既知のアーキテクチャ仮定を取り除いた後、ディープニューラルネットワークで機能的に等価な抽出を実現することが可能になったのは、これが初めてである。
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。