論文の概要: End-to-End Hard-Label Cryptanalytic Model Extraction Using Efficient Sign Recovery

• arxiv url: http://arxiv.org/abs/2609.21941v1
• Date: Fri, 18 Sep 2026 15:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.175758
• Title: End-to-End Hard-Label Cryptanalytic Model Extraction Using Efficient Sign Recovery
• Title（参考訳）: 効率的な信号回復を用いた終端から終端までのハードラベル結晶分析モデル抽出
• Abstract要約: 本稿では,既存の手法とは全く異なる原理に基づく新しいサイン-リカバリアルゴリズムを提案する。 我々のアルゴリズムでは、ハードラベルモデル抽出のすべてのステップをブラックボックス設定で実装できる。 これらの実装を組み合わせることで、MNISTとFashion-MNISTで訓練されたモデルからエンドツーエンドのモデル抽出を示す。
• 参考スコア（独自算出の注目度）: 4.693322408385527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The importance of deep neural networks (DNNs) is widely recognized, and the parameters obtained through training are regarded as valuable assets. Recently, attacks that extract these parameters using only oracle queries to a DNN have been actively studied at IACR conferences. The hard-label setting is the most challenging setting for model extraction, where an adversary can observe only the final output label, such as "dog" or "cat." At Eurocrypt 2025, Carlini et al. proposed polynomial-time hard-label extraction of ReLU-based MLPs. However, one step of this attack process, i.e., sign recovery, requires a large number of queries and substantial computation. Implementing this step in a black-box setting remains difficult. Consequently, a fully black-box end-to-end demonstration on trained deep ReLU MLPs has remained a challenge. In this paper, we propose a new sign-recovery algorithm based on a completely different principle from the existing method. Our method requires no dedicated queries for sign recovery. In our experiments, it achieves higher sign-recovery accuracy than the existing method. Consequently, it enables efficient sign recovery even for trained models. With our sign-recovery algorithm, all steps of hard-label model extraction can be implemented in a black-box setting. By combining these implementations, we demonstrate end-to-end model extraction from models trained on MNIST and Fashion-MNIST, with width 16 and 4 or 6 hidden layers, achieving over 98% label agreement.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)の重要性は広く認識されており、トレーニングによって得られたパラメータは貴重な資産とみなされている。 近年、IACRカンファレンスでは、DNNへのオラクルクエリのみを用いてこれらのパラメータを抽出する攻撃が活発に研究されている。 ハードラベル設定は、モデル抽出において最も難しい設定であり、敵は「ドッグ」や「キャット」のような最終的な出力ラベルのみを観測できる。 Eurocrypt 2025でCarliiniらは、ReLUベースのMPPの多項式時間ハードラベル抽出を提案した。 しかし、この攻撃プロセスの1ステップ、すなわち、サインリカバリは、大量のクエリと相当な計算を必要とする。 このステップをブラックボックスの設定で実装することは依然として難しい。 その結果、訓練された深部ReLU MLPに対する完全なブラックボックスのエンドツーエンドのデモは、依然として課題である。 本稿では,既存の手法とは全く異なる原理に基づいて,新しいシグナリカバリアルゴリズムを提案する。 本手法では,手話回復のための専用クエリは不要である。 本実験では,既存の手法よりも高い信号復元精度を実現する。 これにより、訓練されたモデルであっても、効率的な手話の復元が可能となる。 我々のサイン-リカバリアルゴリズムでは、ハードラベルモデル抽出のすべてのステップをブラックボックス設定で実装できる。 これらの実装を組み合わせることで、MNISTとFashion-MNISTで訓練されたモデルから、幅16と4または6の隠蔽層でエンドツーエンドモデル抽出を行い、98%以上のラベル契約を達成した。

関連論文リスト

• Fast Unlearning at Scale via Margin Self-Correction [52.46927918952516]
  言語モデルアンラーニングは、トレーニングモデルを更新して、選択したトレーニング例を見ていないかのように振る舞う。 MASCは、既存のベースラインの計算コストのごく一部で、競争力のある忘れがちなトレードオフを達成する。
  論文  参考訳（メタデータ） (2026-06-01T21:49:54Z)
• Efficient Training-Free Multi-Token Prediction via Embedding-Space Probing [3.861463840588074]
  大規模言語モデル(LLM)は、次世代にのみ訓練されているにもかかわらず、潜在マルチトークン予測(MTP)能力を示す。 本研究では,その埋め込み空間から引き出されたオンザフライマスクトークンを用いてLCMを探索するトレーニングフリーMPP手法を提案する。 マスクトケロジットからトップK候補を抽出して投機的トークンツリーを構築し,高確率継続を維持するために軽量プルーニング戦略を適用した。
  論文  参考訳（メタデータ） (2026-03-18T17:14:01Z)
• Gradient Structure Estimation under Label-Only Oracles via Spectral Sensitivity [37.729118253160145]
  我々は,既存の手動攻撃の幅広い範囲を,真の損失勾配の兆候を暗黙的に近似するものとして解釈できることを示す統一理論的な視点を開発する。 この第一原理の理解に動機づけられた我々は、ゼロクエリの周波数領域初期化とパターン駆動最適化(PDO)戦略を組み合わせた新たな攻撃フレームワークを提案する。 我々は、CIFAR-10、ImageNet、ObjectNetに関する広範な実験を通じて、我々のフレームワークを実証的に検証し、標準および敵対的に訓練されたモデル、商用API、CLIPベースのモデルをカバーする。
  論文  参考訳（メタデータ） (2026-01-17T02:47:47Z)
• 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)
• TL;DR: Too Long, Do Re-weighting for Efficient LLM Reasoning Compression [55.37723860832064]
  高度なデータアノテーションに依存しない動的比に基づくトレーニングパイプラインを提案する。 我々は、DeepSeek-R1-Distill-7BとDeepSeek-R1-Distill-14Bのモデルと、様々な難易度を持つ様々なベンチマークのモデルに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-06-03T09:23:41Z)
• Polynomial Time Cryptanalytic Extraction of Deep Neural Networks in the Hard-Label Setting [45.68094593114181]
  ディープニューラルネットワーク(DNN)は貴重な資産だが、その公開アクセシビリティはセキュリティ上の懸念を引き起こす。 本稿では,DNNパラメータの暗号的抽出を,最も難しいハードラベル設定で初めて行う手法を紹介する。
  論文  参考訳（メタデータ） (2024-10-08T07:27:55Z)
• Beyond Slow Signs in High-fidelity Model Extraction [18.330719989672442]
  深層ニューラルネットワークは、訓練に費用がかかり、知的財産価値が豊富である。 それまでの攻撃は、少なくとも3つの隠蔽層を持つランダムデータで訓練されたモデルに対して、逆エンジニアリングモデルパラメーターをfloat64の精度まで向上させることに成功した。 我々は,従来の手法を統合した統一最適化を導入し,計算ツールが性能に著しく影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2024-06-14T13:24:07Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)

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。