論文の概要: Extracting CNNs in the Unknown-Architecture and Feedback-Agnostic Setting

• arxiv url: http://arxiv.org/abs/2609.27427v1
• Date: Wed, 23 Sep 2026 06:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.923582
• Title: Extracting CNNs in the Unknown-Architecture and Feedback-Agnostic Setting
• Title（参考訳）: 未知アーキテクチャとフィードバック非依存設定におけるCNNの抽出
• Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)の暗号解析による抽出について検討する。 アーキテクチャの仮定を最大値と平均値の両方でCNNに対して取り除くことができることを初めて証明する。
• 参考スコア（独自算出の注目度）: 14.38577090355504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies the cryptanalytic extraction of convolutional neural networks (CNNs). Existing cryptanalytic extraction attacks on CNNs assume that the network architecture is known, and try to recover model parameters.In this paper, we prove for the first time that the architecture assumption can be removed for CNNs with both max and average pooling. Our core finding is that the spatial geometry of the weight vectors recovered by existing parameter-recovery attacks naturally leaks the architecture. We formalize this geometry and establish its correspondence with the architectural knowledge of a convolutional layer: (1) The sparsity consistency with the convolution receptive field reveals the layer type, the kernel size, and the stride; (2) The numerical consistency with the kernel parameters reveals the padding mode and the output-channel number; (3) The structural consistency with the pooling operation reveals the pooling type, the window size, and the stride. Although the recovered vectors are obtained using different methods in the raw-output and hard label settings, their spatial geometry remains the same. Therefore, our architecture recovery is feedback-agnostic: combined with a parameter-recovery attack, it yields a complete cryptanalytic extraction framework that recovers both the architecture and the parameters in the black-box setting. Extensive experiments, including both layer-wise and end-to-end ones, on a wide range of CNNs demonstrate that simultaneously recovering the network architecture and the model parameters is practical.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(CNN)の暗号解析による抽出について検討する。 既存のCNNに対する暗号解析的抽出攻撃は、ネットワークアーキテクチャが知られていると仮定し、モデルパラメータの復元を試みるが、本論文では、最大と平均のプーリングの両方でCNNに対してアーキテクチャ仮定を除去できることを初めて証明する。 我々の中核となる発見は、既存のパラメータ回復攻撃によって回収された重みベクトルの空間幾何学が自然にアーキテクチャを漏洩させることである。 1) 畳み込み受容場との空間的整合性は, 層タイプ, カーネルサイズ, ストライドを明らかにする; (2) カーネルパラメータとの数値的整合性は, パディングモードと出力チャネル数を明らかにする; (3) プール操作による構造的整合性は, プーリングタイプ, ウィンドウサイズ, ストライドを明らかにする。 回収されたベクトルは、原出力とハードラベルの設定で異なる方法で得られるが、それらの空間幾何学は同じままである。 したがって、アーキテクチャの回復はフィードバックに依存しない:パラメータ回復攻撃と組み合わせることで、ブラックボックス設定のアーキテクチャとパラメータの両方を復元する完全な暗号解析抽出フレームワークが生成される。 レイヤワイドとエンドツーエンドの両方を含む広範囲なCNN実験では,ネットワークアーキテクチャとモデルパラメータの同時回復が現実的であることを実証している。

関連論文リスト

• Cryptanalytic Extraction of Neural Networks Without Known Architecture Assumption [8.049549094546977]
  クリプトアナリシスモデル抽出は、被害者モデルとのブラックボックス相互作用を通じて機能的に等価なモデルを再構築することを目的としている。 本稿では,ネットワークアーキテクチャとモデルパラメータを協調的に復元する推定・決定フレームワークを提案する。 これは、既知のアーキテクチャの仮定を取り除いた後、ディープニューラルネットワークで機能的に等価な抽出を実現する可能性が初めて実証された。
  論文  参考訳（メタデータ） (2026-09-13T08:28:34Z)
• ASNN: Learning to Suggest Neural Architectures from Performance Distributions [0.0]
  ニューラルネットワーク(NN)のアーキテクチャは、その性能を決定する上で重要な役割を果たす。 ネットワーク構造と精度をマッピングする一般閉形式関数は存在しない。 NNアーキテクチャとテスト精度の関係を学習するためのモデルであるアーキテクチャ提案ネットワーク(ASNN)を提案する。
  論文  参考訳（メタデータ） (2025-07-27T07:39:33Z)
• Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
  非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。 xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。 提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
  論文  参考訳（メタデータ） (2025-02-27T01:49:00Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Inter-layer Transition in Neural Architecture Search [89.00449751022771]
  本論文では、連結エッジのアーキテクチャ重み間の依存性を明示的にモデル化する。 5つのベンチマーク実験により、層間依存性のモデル化の価値を確認し、提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T03:33:52Z)
• KShapeNet: Riemannian network on Kendall shape space for Skeleton based Action Recognition [7.183483982542308]
  骨格に基づく行動認識のための幾何学的深層学習手法を提案する。 骨格はまずケンドールの形状空間上の軌跡としてモデル化され、次に線型接空間に写像される。 結果として得られた構造化データは、剛性および非剛性変換を最適化するレイヤを含むディープラーニングアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2020-11-24T10:14:07Z)
• Adversarially Robust Neural Architectures [43.74185132684662]
  本稿では,NASフレームワークを用いたアーキテクチャの観点から,ネットワークの対角的ロバスト性を改善することを目的とする。 本稿では, 対向ロバスト性, リプシッツ定数, アーキテクチャパラメータの関係について検討する。 提案アルゴリズムは,異なるデータセットに対する様々な攻撃の下で,すべてのモデルの中で最高の性能を実証的に達成する。
  論文  参考訳（メタデータ） (2020-09-02T08:52:15Z)
• Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
  畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。 この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-06T04:38:38Z)

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。