論文の概要: Trust-Aware Output Management for Physical Neural Network in Cloud-Continuum Systems
- arxiv url: http://arxiv.org/abs/2609.22443v1
- Date: Fri, 18 Sep 2026 18:01:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:54:48.30853
- Title: Trust-Aware Output Management for Physical Neural Network in Cloud-Continuum Systems
- Title（参考訳）: クラウド連続システムにおける物理ニューラルネットワークの信頼度を考慮した出力管理
- Abstract要約: 異種PNNのための信頼度を考慮した出力管理フレームワークを提案する。
このフレームワークは、制御およびランダム化されたPNN出力モデルを用いて評価される。
その結果、起動後の信頼性管理により、エッジフォッグクラウドシステム間でのPNN出力の安全利用が向上することが示された。
- 参考スコア（独自算出の注目度）: 0.18907108368038217
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Physical Neural Networks (PNNs) introduce new opportunities for cloud continuum computing, but their outputs may be affected by noise, drift, delay, and incomplete reliability information. Existing substrate-management approaches mainly focus on discovery, invocation, and monitoring, while the reliability of the returned output is often left unaddressed. This paper proposes a trust-aware output management framework for heterogeneous PNNs. Each output is represented with quality and context information, and a lightweight edge-level trust score decides whether it should be accepted, rejected, or forwarded to the fog. At the fog layer, compatible outputs are checked for disagreement and combined using reliability- and uncertainty-aware fusion. Historical trust is also tracked to detect sustained degradation and support recalibration requests. The framework is evaluated using controlled and randomized PNN output models. Across 20 random seeds, the proposed full-trust policy reduces unsafe acceptance from approximately 61.5\% for raw output handling to about 5.0\%, while accepted-output MAE decreases from 0.504 to 0.242. Risk coverage analysis shows that this improvement is not explained only by lower local acceptance. The proposed fog fusion method also achieves the lowest aggregate mean error among the evaluated methods, with a small but consistent advantage over strong uncertainty-aware baselines. The prototype adds about $2~μ\text{s}$ of edge processing per evidence record. These results show that post-invocation reliability management can improve the safe use of PNN outputs across edge--fog--cloud systems.
- Abstract（参考訳）: 物理ニューラルネットワーク(PNN)は、クラウド連続コンピューティングの新たな機会を導入するが、その出力はノイズ、ドリフト、遅延、不完全な信頼性情報に影響される可能性がある。
既存の基板管理アプローチは主に発見、呼び出し、監視に重点を置いているが、出力の信頼性は未調整のままであることが多い。
異種PNNのための信頼度を考慮した出力管理フレームワークを提案する。
それぞれの出力は品質とコンテキスト情報で表現され、軽量のエッジレベルの信頼スコアは、それが受け入れられるか、拒否されるか、霧に転送されるべきかを決定する。
霧層では、互換性のある出力を不一致にチェックし、信頼性と不確実性を認識した融合を用いて組み合わせる。
過去の信頼も追跡され、持続的な劣化を検出し、再校正要求をサポートする。
このフレームワークは、制御およびランダム化されたPNN出力モデルを用いて評価される。
20個のランダムな種子に対して提案された完全信頼政策により、生出力処理の安全性が約61.5\%から約5.0\%に低下する一方、受入出力MAEは0.504から0.242に低下する。
リスクカバレッジ分析は、この改善が局所的受容率の低下によってのみ説明されないことを示している。
提案手法は, 高い不確実性を考慮したベースラインよりも小さいが一貫した優位性をもち, 評価手法の中で最も低い集合平均誤差を達成できる。
プロトタイプにはエビデンスレコードあたりのエッジ処理が約2〜μ\text{s}$で追加されている。
これらの結果から,起動後の信頼性管理により,エッジフォッグクラウドシステム間のPNN出力の安全利用が向上することが示唆された。
関連論文リスト
- Beyond Logprobs: A Multi-Signal Confidence Engine for LLM-Based Document Field Extraction [2.1997815944423516]
ExtractConfはクロスドメインでフィールドに依存しない信頼性エンジンである。
同じ文書の2つの構造的に異なる読影において、信頼度を推定する。
0.928ROC AUCを達成し、logprob-meanよりも選択的な予測リスクを70%削減する。
論文 参考訳（メタデータ） (2026-06-23T10:58:08Z) - Privacy-Robust Incrementality Measurement for Advertising Systems under Signal Loss [0.5013248430919224]
広告プラットフォームは、漸進性を測定するためにランダム化リフトテストを使用する。
プライバシ保存レポートシステムは、マッチレート損失、リンク可能性損失、属性ウィンドウ損失、アグリゲーション閾値抑制、ランダム化された報告ノイズ、セグメント不均一な信号損失を通じて、観測された信号を劣化させる。
本稿では、上記の信号損失に基づいて、プライバシー制約のある広告計測をロバストな因果決定問題として定式化する。
論文 参考訳（メタデータ） (2026-06-02T16:46:38Z) - Beyond the Mean: Distribution-Aware Loss Functions for Bimodal Regression [13.50774354486614]
正規化RMSEとワッサースタイン距離とクラメール距離を組み合わせた分布認識損失関数のファミリーを提案する。
我々のフレームワークは、信頼性と堅牢性の両方においてMDNを厳格に支配し、信頼できるAIシステムにおけるアレタリック不確実性推定のための信頼性の高いツールを提供する。
論文 参考訳（メタデータ） (2026-03-20T18:37:05Z) - Beyond Greedy Exits: Improved Early Exit Decisions for Risk Control and Reliability [14.00844847268286]
早期のDeep Neural Networksは、中間層での予測を可能にすることで、適応推論を可能にする。
我々のフレームワークは、フルモデルのパフォーマンスと比較して、パフォーマンス低下(2%)を最小限に抑えながら、スピードアップ(1.70-2.10x)が一貫した改善を示している。
論文 参考訳（メタデータ） (2025-09-28T06:05:24Z) - Confidence-Aware Routing for Large Language Model Reliability Enhancement: A Multi-Signal Approach to Pre-Generation Hallucination Mitigation [0.0]
大規模言語モデルは幻覚に悩まされ、可視だが事実的に誤った内容を生成する。
現在の緩和戦略は、計算コストが高く、信頼性の低いコンテンツ生成を防げない、ポストジェネレーション補正に重点を置いている。
本稿では,予測された信頼性に基づいて,モデルの不確実性を積極的に評価し,クエリをリダイレクトする信頼度対応ルーティングシステムを提案する。
論文 参考訳（メタデータ） (2025-09-23T18:34:20Z) - PEEL the Layers and Find Yourself: Revisiting Inference-time Data Leakage for Residual Neural Networks [64.90981115460937]
本稿では、ディープニューラルネットワーク(NN)の推論時データ漏洩リスクについて検討する。
残差NNの中間出力からブロックワイズ入力特徴を効果的に回収できる新しい後方特徴逆変換法である textbfPEEL を提案する。
その結果,平均二乗誤差 (MSE) で評価した場合,PEEL は最先端の回収方法よりも桁違いに優れていることがわかった。
論文 参考訳（メタデータ） (2025-04-08T20:11:05Z) - Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。
近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。
この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。
そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-01T07:15:21Z) - ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。
本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。
実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
論文 参考訳（メタデータ） (2025-02-21T15:50:41Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z)
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。