論文の概要: Normal Alignment: Improved Cryptanalytic Sign Recovery on Hard-Label Networks

• arxiv url: http://arxiv.org/abs/2609.18751v1
• Date: Wed, 16 Sep 2026 14:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.854337
• Title: Normal Alignment: Improved Cryptanalytic Sign Recovery on Hard-Label Networks
• Title（参考訳）: 正常配向:ハードラベルネットワークにおけるクリプトアナリシス信号の回復の改善
• Abstract要約: Carliniらは、ハードラベル(S1)ディープニューラルネットワーク(DNN)における暗号解析抽出のブレークスルーを提案した。 そこで我々は,S1 DNNに対する新しい統計的手話検索手法であるNormal Alignmentを提案する。
• 参考スコア（独自算出の注目度）: 4.621555619872168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: At EUROCRYPT 2025, Carlini et al. proposed a breakthrough in the cryptanalytic extraction on hard-label (S1) deep neural networks (DNNs), demonstrating polynomial-time signature and sign recovery. However, Carlini et al.'s sign-recovery method (which we call Future Toggle) suffers only a marginal advantage over random guessing, producing high-confidence wrong sign predictions in deeper layers. Such errors trigger expensive exponential-time enumeration. This work presents Normal Alignment, a novel statistical sign-recovery approach for S1 DNNs. Drawing on the expected length difference between projected normals of adjacent decision facets at dual points, our method infers neuron signs via normal-signature alignment. It delivers higher voting accuracy and pushes erroneous predictions to low-confidence ranks, which further enables a more efficient combined method, eSOE + Alignment, by combining Normal Alignment with the hard-label SOE extension. This combined strategy removes heavy enumeration overhead and realizes exact polynomial-time full sign recovery. Experiments demonstrate the effectiveness of our method, especially for deep layers. For example, with our method, the signs for CIFAR-10 (architecture 192-64$\times$8-10) and MNIST (architecture 64-96$\times$3-32-10) models can be fully recovered in polynomial time; in contrast, Carlini et al.'s sign-recovery method would require exponential-time enumerations involving $2^{52}$ or $2^{82}$ guesses of the signs, respectively.
• Abstract（参考訳）: EUROCRYPT 2025でCarliiniらは、ハードラベル(S1)ディープニューラルネットワーク(DNN)における暗号解析抽出のブレークスルーを提案し、多項式時間シグネチャとシグネチャリカバリを実証した。 しかし、Carliiniら(Future Toggleと呼ぶ)の符号回復法は、ランダムな推測よりも限界的な優位性しかなく、より深い層における信頼度の高い間違った符号予測を生み出す。 このようなエラーは高価な指数時間列挙を引き起こす。 この研究は、S1 DNNに対する新しい統計的サイン-リカバリ手法である正規アライメントを提示する。 隣り合う2点の判定面の投影された正規点間の長さ差に基づいて,本手法は正常信号アライメントを介してニューロンのサインを推定する。 投票精度が向上し、誤った予測を低信頼ランクにプッシュすることで、正規アライメントとハードラベルSOE拡張を組み合わせることで、より効率的な組み合わせであるeSOE+アライメントが可能になる。 この組み合わせ戦略は、重い列挙オーバーヘッドを除去し、正確な多項式時間全符号回復を実現する。 実験により,特に深層層において,本手法の有効性が示された。 例えば、我々の手法では、CIFAR-10 (architecture 192-64$\times$8-10) と MNIST (architecture 64-96$\times$3-32-10) モデルの符号は多項式時間で完全に復元できる。

関連論文リスト

• Keep the Needle, Prune the Haystack: Defect-Preserving Token Pruning for Efficient Zero-Shot Anomaly Detection [23.595452794635847]
  トケンプルーニングは有望な解決策を提供するが、異常検出において非対称プルーニングリスクを導入する。 本稿では,トークン選択をハイリコール・異常対応ルーティングとして定式化する欠陥保存型トークンプルーニングフレームワークであるKeepADを提案する。 実験によると、KeepADはトークン保持率を20%以下に下げ、画像レベルとピクセルレベルのAUROCの平均劣化を2.7ドルの範囲に制限している。
  論文  参考訳（メタデータ） (2026-08-04T13:53:36Z)
• Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。 本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
  論文  参考訳（メタデータ） (2026-06-28T05:07:27Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• Learning Fingerprints for Medical Time Series with Redundancy-Constrained Information Maximization [11.233142317726971]
  可変長のMedTSを固定サイズの$k$潜在フィンガープリントトークンに圧縮する新しいフレームワークを提案する。 私たちのアーキテクチャでは、これらのトークンを生成するために、クロスアテンションボトルネックを使用し、二重目的関数でトレーニングされています。 このアプローチは低次元、解釈可能、サンプル効率の表現を生み出し、各トークンは変動の独立した要因を捉えることを奨励する。
  論文  参考訳（メタデータ） (2026-04-30T18:33:40Z)
• Sign Lock-In: Randomly Initialized Weight Signs Persist and Bottleneck Sub-Bit Model Compression [7.09016563801433]
  サブビットモデル圧縮は1重量あたり1ビット以下のストレージを求め、大きさが圧縮されると、符号ビットは固定コストのボトルネックとなる。 アクロストランスフォーマー、CNN、CNNは、低ランク近似に抵抗する符号行列を学習し、i.i.dとスペクトル的に区別できない。 我々は,SGD雑音下でのサインフリップの停止時間解析であるサインロックイン理論を用いて,この挙動を定式化する。
  論文  参考訳（メタデータ） (2026-02-19T04:10:05Z)
• FIRP: Faster LLM inference via future intermediate representation prediction [54.897493351694195]
  FIRPはデコードステップ毎に1つではなく複数のトークンを生成する。 いくつかのモデルとデータセットで1.9x-3xのスピードアップ比を示す広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-27T15:53:49Z)
• Langevin dynamics for high-dimensional optimization: the case of multi-spiked tensor PCA [8.435118770300999]
  本研究では,最大SNRに伴うスパイクの回復に必要なサンプルの複雑さが,シングルスパイクの場合のよく知られたアルゴリズムしきい値と一致することを示す。 重要なステップとして、高次元の軌道力学を捉えるスパイクと相互作用の詳細なキャラクタリゼーションを提供する。
  論文  参考訳（メタデータ） (2024-08-12T12:09:25Z)
• HaLP: Hallucinating Latent Positives for Skeleton-based Self-Supervised Learning of Actions [69.14257241250046]
  ラベルなしの骨格に基づく行動認識のためのモデル学習のための新しいコントラスト学習手法を提案する。 私たちの重要な貢献は、単純なモジュールであるHalucinate Latent Positivesのコントラスト学習へのHalucinate HaLPです。 実験を通して、標準のコントラスト学習フレームワーク内でこれらの生成した正を使用すれば、一貫した改善がもたらされることを示す。
  論文  参考訳（メタデータ） (2023-04-01T21:09:43Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Projection-free Graph-based Classifier Learning using Gershgorin Disc Perfect Alignment [59.87663954467815]
  グラフベースのバイナリ学習では、既知のラベルのサブセット$hatx_i$を使って未知のラベルを推論する。 ラベルの$x_i$をバイナリ値に制限する場合、問題はNPハードである。 代わりに線形プログラム(LP)の列を解くことにより,高速なプロジェクションフリー手法を提案する。
  論文  参考訳（メタデータ） (2021-06-03T07:22:48Z)

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。