論文の概要: s-MDM: Generative Virtualization of Multi-Device Hardware Variations for Portable DL-SCA

• arxiv url: http://arxiv.org/abs/2609.18783v1
• Date: Wed, 16 Sep 2026 15:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.861631
• Title: s-MDM: Generative Virtualization of Multi-Device Hardware Variations for Portable DL-SCA
• Title（参考訳）: s-MDM: ポータブルDL-SCAのためのマルチデバイスハードウェア変種の生成仮想化
• Abstract要約: Deep Learning-based Side-Channel Analysis (DL-SCA) はしばしば、目に見えないハードウェア間で破滅的なパフォーマンス劣化に悩まされる。 このポスターは、デバイス間のポータビリティを改善するために設計されたゼロターゲットトレース生成フレームワークであるSynthetic Multiple Device Model (s-MDM)を提示する。
• 参考スコア（独自算出の注目度）: 10.656970344052697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning-based Side-Channel Analysis (DL-SCA) frequently suffers from catastrophic performance degradation across unseen hardware due to printed circuit board routing differences, silicon process variations, and measurement noise shifts. This poster presents the Synthetic Multiple Device Model (s-MDM), a zero-target-trace generative framework designed to improve cross-device portability. s-MDM combines a structured cVAE generator, a Walsh-Hadamard leakage anchor, continuous style modulation, and decoupled leakage-style--domain critics to synthesize virtual source-device profiles offline. Benchmarked on 32-bit side-channel traces (AES_PTv2), s-MDM maps a precise operational boundary: while physical MDM remains superior on identical electrical clones (D4), s-MDM achieves consistently low key rank on the layout/acquisition-shifted Pinata target, where physical baselines are unstable or misaligned.
• Abstract（参考訳）: Deep Learning-based Side-Channel Analysis (DL-SCA) は、プリント基板のルーティングの違い、シリコンプロセスのバリエーション、測定ノイズシフトなどにより、目に見えないハードウェア間で破滅的な性能低下をしばしば経験する。 このポスターは、デバイス間のポータビリティを改善するために設計されたゼロターゲットトレース生成フレームワークであるSynthetic Multiple Device Model (s-MDM)を提示する。 s-MDMは、構造化されたcVAEジェネレータ、Walsh-Hadamardリークアンカー、連続的なスタイルの変調、および分離されたリークスタイルの批評家を組み合わせて、仮想ソースデバイスプロファイルをオフラインで合成する。 32ビットのサイドチャネルトレース (AES_PTv2) でベンチマークされたs-MDMは、物理的MDMが同一の電気クローン (D4) よりも優れている一方、s-MDMは物理ベースラインが不安定または不整合であるピニャータターゲットにおいて、常に低いキーランクを達成している。

関連論文リスト

• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• Compass: Degradation-Simulated Reciprocal Learning with Lightweight Needle RWKV for Multimodal Crack Segmentation under Missing Modalities [36.93774494071781]
  任意のモダリティを欠いた場合のき裂断面積分割のための軽量ネットワークを提案する。 コンパスは劣化蒸留(DSD)、針ブロック、証拠トポロジー保存核融合(ETPF)を含む。 深さの90%が欠落しているにもかかわらず、コンパスのF1は0.8216、mIoUは0.8434、パラメータは2.58Mである。
  論文  参考訳（メタデータ） (2026-08-04T12:27:02Z)
• Neptuna: A Comprehensive Machine Learning Framework for Benchmarking Complex Multiphase Flows [0.0]
  衝撃駆動型圧縮性多相流に特化して設計された,最初の大規模ベンチマークを紹介する。 このベンチマークは、衝撃によるバブル崩壊と液滴の崩壊を特徴とする、2.4TBの高忠実度2Dおよび3Dデータセットで構成されている。 ベンチマークフレームワークであるNeptuna上で,多様なサロゲートモデルファミリーを評価した。
  論文  参考訳（メタデータ） (2026-07-24T13:20:01Z)
• ARMOR-IMC: Adaptive Resource Mapping for Operational Robustness via Secure In-Memory Computing [1.8270156756248488]
  この研究は、モデルを再訓練することなく、アナログMCアクセラレーターを両方の脅威に対して強化する枠組みを示す。 実験により,PVによる故障は50%以上精度を低下させることができるが,本手法はベースライン付近の精度を回復し,相関に基づく電力分析攻撃の脅威を軽減する。
  論文  参考訳（メタデータ） (2026-07-12T21:59:41Z)
• Resolving Multi-Target Association in OFDM-based ISAC via Vision-aided Multi-Modal Learning [10.44632158114449]
  単一モダリティISACのデータ連想と解決限界を克服するビジョン支援OFDM-ISACフレームワークを提案する。 提案手法は,Blender-Rendered vehicular testbed上で16cmの局所化根平均二乗誤差(RMSE)と10.8ns遅延RMSEを実現する。
  論文  参考訳（メタデータ） (2026-06-20T19:07:22Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• GCD-DDPM: A Generative Change Detection Model Based on Difference-Feature Guided DDPM [7.922421805234563]
  深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている 本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。 4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
  論文  参考訳（メタデータ） (2023-06-06T05:51:50Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)

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。