論文の概要: Implementing a White-Box Undetectable Backdoor for Random Fourier Features
- arxiv url: http://arxiv.org/abs/2609.16403v1
- Date: Mon, 14 Sep 2026 22:18:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.254526
- Title: Implementing a White-Box Undetectable Backdoor for Random Fourier Features
- Title（参考訳）: ランダムフーリエ機能のためのホワイトボックス非検出バックドアの実装
- Abstract要約: Goldwasserらは、ランダムフーリエ特徴(RFF)アルゴリズムでトレーニングされた機械学習モデルに、検出不能なバックドアを植え付けることができることを示した。
本稿では,白箱型CLWE-RFFのバックドア工法を,ヌンピーとスキディのみを用いて実装する。
- 参考スコア（独自算出の注目度）: 4.779271900100464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Goldwasser et al. showed that undetectable backdoors can be planted in machine learning models trained with the Random Fourier Features (RFF) algorithm, under a hardness assumption tied to the Continuous Learning With Errors (CLWE) problem. Under standard cryptographic assumptions, even a full white-box audit of a model's weights cannot detect this class of backdoor. The construction is stated in terms of cryptographic reductions and probabilistic lemmas, without a reference implementation, and relies on secondary machinery such as the Sparse Gaussian Pancakes distribution and a homogeneous CLWE conditional density. Its realizability in ordinary numerical code is not obvious from the paper alone. This paper implements the white-box CLWE-RFF backdoor construction end to end using only numpy and scipy, to test whether this threat is realizable with commodity scientific-computing tools or requires specialized cryptographic infrastructure. We give two samplers for the core $GP_d(b_k)$ distribution. The first is a rejection-sampling proxy. The second is an exact closed-form sampler derived from the homogeneous CLWE density and verified against its own analytic form. Using this implementation, we run statistical indistinguishability tests, covering both weight-space and functional black-box comparisons. We find no evidence of detectable difference between backdoored and clean models across a range of sparsity ratios $ρ= d_{\text{sparse}}/D$. We report which parts of the construction were straightforward to realize, which required derivation not spelled out in the paper. We also highlight which parts we did not attempt to reproduce, including the underlying lattice hardness reduction. We see this work as a contribution to understanding the practical realizability of the Goldwasser white-box CLWE core, not as a new theoretical result.
- Abstract（参考訳）: Goldwasser氏らは、検出不可能なバックドアをランダムフーリエ特徴(RFF)アルゴリズムでトレーニングされた機械学習モデルに植え付けることができることを示した。
標準的な暗号的仮定では、モデルの重みの完全なホワイトボックス監査でさえ、この種類のバックドアを検出できない。
この構成は、参照実装なしで、暗号の削減と確率的補題の観点で述べられており、スパース・ガウス・パンケーキ分布や同質なCLWE条件密度のような二次機械に依存している。
通常の数値コードで実現可能であることは、論文だけでは明らかではない。
本稿では,この脅威が一般的な科学計算ツールで実現可能であるか,あるいは特別な暗号インフラを必要とするかを確認するため,白箱のCLWE-RFFバックドア構築端をヌンピーとスキディのみを用いて実装する。
コア$GP_d(b_k)$分布のサンプルを2つ与える。
1つは拒絶サンプリングプロキシである。
2つ目は、同質なCLWE密度から抽出され、独自の分析形式に対して検証された、正確な閉形式標本である。
この実装を用いて、重量空間と機能的ブラックボックスの比較の両方をカバーする統計的不識別性テストを実行する。
バックドアモデルとクリーンモデルの間の検出可能な差の証拠は見つからない: $ρ= d_{\text{sparse}}/D$。
建設のどの部分が分かりやすいか報告し, 論文に書かれていない導出を必要とした。
また、基盤となる格子硬さの低減など、再生しようとしなかった部分についても強調する。
この研究は、Goldwasser のホワイトボックス CLWE コアの実用的実現可能性を理解するための貢献であり、新しい理論的な結果ではないと考えている。
関連論文リスト
- Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。
スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文 参考訳（メタデータ） (2026-08-10T19:42:01Z) - Lost and Found in Translation: Variational Diagnostics for Neural Codebook Channels [0.0]
変分オートエンコーダ(VAE)は、エンコーダ$q_$とデコーダ$p_$を共同でトレーニングし、実践者は結果として生じる遅延空間を離散コードとして扱う。
標準的なVAE診断は、このコードが使用されているかどうか、デコーダがエンコーダのコードの下で各潜伏者を読み取るかどうかのみを認証する。
我々は,アーキテクチャフリーなBernoulli-KL証明書によって,対角線外質量を束縛したエンコーダデコーダ診断法を開発した。
論文 参考訳（メタデータ） (2026-05-13T06:52:21Z) - Undetectable Backdoors in Model Parameters: Hiding Sparse Secrets in High Dimensions [27.15028670439718]
Sparse Backdoorは、事前に訓練された画像分類器に検出不能なバックドアを植え付けるサプライチェーン攻撃である。
この攻撃は、ランダムに選択された方向に沿って構造化された摂動を各完全に連結された層に小さな列のサブセットに注入する。
逆長線標的クラスにトリガーシグナルを伝達し、独立した等方性ジターで摂動を隠蔽する。
論文 参考訳（メタデータ） (2026-05-05T18:48:09Z) - Cloning Games, Black Holes and Cryptography [50.022147589030304]
クローンゲーム解析のための新しいツールキットを提案する。
このフレームワークにより、バイナリフェーズ状態に基づいて新しいクローンゲームを分析することができる。
連成位相の変分最適境界は、ブラックホールの理想化されたモデルで衝突する情報について定量的な洞察を与えることを示す。
論文 参考訳（メタデータ） (2024-11-07T14:09:32Z) - Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - Modulate Your Spectrum in Self-Supervised Learning [65.963806450552]
ホワイトニング損失は、自己教師付き学習における特徴の崩壊に対する理論的保証を提供する。
埋め込みのスペクトルを変調するフレームワークであるスペクトル変換(ST)を導入する。
我々は、トレースロス(INTL)を持つIterNormという新しいSTインスタンスを提案する。
論文 参考訳（メタデータ） (2023-05-26T09:59:48Z) - Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。
本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
論文 参考訳（メタデータ） (2022-10-26T03:19:24Z) - Planting Undetectable Backdoors in Machine Learning Models [14.592078676445201]
悪意ある学習者が検出不能なバックドアを分類器に組み込む方法を示す。
適切な"バックドアキー"がなければ、そのメカニズムは隠され、計算に拘束されたオブザーバによって検出できない。
検出不能なバックドアを植え付けるための2つのフレームワークを示す。
論文 参考訳（メタデータ） (2022-04-14T13:55:21Z) - Quantum Proofs of Deletion for Learning with Errors [91.3755431537592]
完全同型暗号方式として, 完全同型暗号方式を初めて構築する。
我々の主要な技術要素は、量子証明器が古典的検証器に量子状態の形でのLearning with Errors分布からのサンプルが削除されたことを納得させる対話的プロトコルである。
論文 参考訳（メタデータ） (2022-03-03T10:07:32Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - From Information Theory Puzzles in Deletion Channels to Deniability in
Quantum Cryptography [0.0]
まず、実験データに基づいて、後部のエントロピーが定数列によって最小化されることを予想する。
次に,DC-QKEを提案するために,隠蔽通信とデニビリティの接続を確立する。
完全ホモモルフィック暗号をベースとした,効率的な耐保磁・量子セキュリティ投票方式を提案する。
論文 参考訳（メタデータ） (2020-03-25T22:20:47Z)
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。