論文の概要: Hardware-Rooted PUF Fingerprinting for Device-Level Traceability in Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2609.31968v1
- Date: Fri, 25 Sep 2026 20:12:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 04:17:49.69809
- Title: Hardware-Rooted PUF Fingerprinting for Device-Level Traceability in Knowledge Distillation
- Title（参考訳）: 知識蒸留におけるデバイスレベルトレーサビリティのためのハードウェア回転PUFフィンガープリント
- Abstract要約: 知識蒸留(KD)は、異種プラットフォームとデプロイ環境をまたいだモデル転送を可能にする。
KDは、学生モデルに教師の出力をトレーニングすることで、相手が知的財産(IP)を抽出する蒸留ベースの盗難にプロプライエタリなモデルを公開している。
そこで本研究では,蒸留中の教師ログにデバイス固有の物理関数シグネチャを重畳する新しいフィンガープリントフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.864318052466688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge distillation (KD) enables model transfer across heterogeneous platforms and deployment environments, yet it exposes proprietary models to distillation-based theft, where an adversary extracts intellectual property (IP) by training a student model on teacher outputs. Current defenses, such as software watermarking or hardware-based access control, either fail to survive the distillation process or lack the granularity to identify the specific device responsible for a leak. Aiming to provide post-theft accountability and traceability, we propose a novel fingerprinting framework that superimposes device-specific Physical Unclonable Function (PUF) signatures onto teacher logits during distillation. By utilizing signatures derived from Ring Oscillator (RO) PUFs measured on a Xilinx Zynq-7020 FPGA, we ensure that any student model trained via KD inherits a unique, hardware-linked identity. Our framework is architecture-agnostic, enabling reliable identity inheritance across heterogeneous structures, including Convolutional Neural Networks, Vision Transformers, and encoders. To ensure robust attribution, we implement a two-stage recovery pipeline consisting of a neural decoder and Hamming-distance refinement, maintaining high detection accuracy even under noisy conditions. Furthermore, we introduce a multi-level logit encoding scheme to support large-scale device deployment. Experimental results demonstrate that the embedded fingerprints are resilient against common post-distillation modifications. These results establish a practical system-level approach for enabling hardware-linked model traceability in distributed AI deployment environments.
- Abstract（参考訳）: 知識蒸留(KD)は、異質なプラットフォームや展開環境をまたいだモデル転送を可能にするが、独自のモデルを蒸留ベースの盗難に公開し、敵対者が教師の出力に基づいて生徒モデルを訓練することで知的財産(IP)を抽出する。
ソフトウェア透かしやハードウェアベースのアクセス制御のような現在の防御は、蒸留プロセスの存続に失敗するか、漏れの原因となる特定のデバイスを特定するための粒度が欠如している。
提案手法は, デバイス固有の物理不包含機能(PUF)シグネチャを, 蒸留中の教師のロジットに重ね合わせ, 盗難後の説明責任とトレーサビリティを提供するための新しいフィンガープリントフレームワークを提案する。
Xilinx Zynq-7020 FPGA 上で測定された Ring Oscillator (RO) PUF から得られるシグネチャを利用することで、KD を介してトレーニングされた任意の学生モデルが、ユニークなハードウェアリンクされたアイデンティティを継承することを保証する。
我々のフレームワークはアーキテクチャに依存しないため、畳み込みニューラルネットワーク、ビジョントランスフォーマー、エンコーダなど、異種構造全体の信頼性の高いアイデンティティ継承を可能にする。
頑健な帰属性を確保するため,ニューラルデコーダとハミング距離補正からなる2段リカバリパイプラインを実装し,ノイズ条件下でも高い検出精度を維持する。
さらに,大規模デバイス展開をサポートするマルチレベルロジット符号化方式を提案する。
実験結果から, 埋込指紋は一般的な蒸留後改質に対して回復力があることが示唆された。
これらの結果は、分散AIデプロイメント環境におけるハードウェアリンクモデルトレーサビリティを実現するための実用的なシステムレベルのアプローチを確立する。
関連論文リスト
- CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。
最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。
提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
論文 参考訳（メタデータ） (2026-03-06T15:11:58Z) - PDF: PUF-based DNN Fingerprinting for Knowledge Distillation Traceability [4.864318052466688]
そこで本研究では, 蒸留中の教師のロジットに, デバイス固有の物理的不可避関数(PUF)シグネチャを重畳する新しいフィンガープリントフレームワークを提案する。
ウォーターマークやセキュアなエンクレーブと比較して、私たちのアプローチは軽量であり、アーキテクチャの変更を必要としない。
論文 参考訳（メタデータ） (2026-02-27T01:32:12Z) - Antidistillation Fingerprinting [119.66677613290359]
本稿では, 学生の学習力学と指紋認証の目的を一致させる原則的アプローチとして, 抗蒸留フィンガープリント (ADFP) を導入する。
ADFPは、学生モデルのアーキテクチャが未知であっても、最先端のベースラインよりも大幅に改善され、実用性への影響が最小限に抑えられた検出信頼性が向上する。
論文 参考訳（メタデータ） (2026-02-03T18:15:50Z) - Proto-LeakNet: Towards Signal-Leak Aware Attribution in Synthetic Human Face Imagery [6.261566338754577]
Proto-LeakNetは、シグナルリーク対応で解釈可能な属性フレームワークである。
Proto-LeakNetは後処理で頑健な潜在幾何学を学習していることを示す。
その結果、潜時空間における信号リークバイアスのモデル化により、信頼性と解釈可能なAI画像とディープフェイク法医学が実現された。
論文 参考訳（メタデータ） (2025-11-06T10:51:11Z) - Keys in the Weights: Transformer Authentication Using Model-Bound Latent Representations [0.3805935148497361]
ZSDN(Zero-Shot Decoder Non-Transferability)として形式化されたトランスフォーマーオートエンコーダにおけるデコーダ結合特性であるモデル境界遅延交換(MoBLE)を導入する。
同一データで訓練されるが種によって異なるアイソ構造モデルを用いたアイデンティティタスクでは、自己復号法は0.91以上の正確な一致と0.98のトークンの精度を達成する。
MoBLEは、航空やサイバー物理システムを含む安全クリティカルな領域にAIを配置するための、軽量でアクセラレータフレンドリなアプローチを提供する。
論文 参考訳（メタデータ） (2025-11-02T15:29:44Z) - Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。
ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。
本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文 参考訳（メタデータ） (2025-10-13T07:35:04Z) - Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection [12.318835339832056]
マルウェア検出は、署名に基づく検出と機械学習を統合するAIシステムにますます依存している。
本研究では,シグネチャベースの検出がトレーニングパイプラインに含まれる場合のモデルトレーニングに与える影響について検討する。
論文 参考訳（メタデータ） (2025-08-13T09:35:51Z) - Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。
テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
論文 参考訳（メタデータ） (2025-08-12T17:19:20Z) - RouteMark: A Fingerprint for Intellectual Property Attribution in Routing-based Model Merging [69.2230254959204]
我々は,統合されたMoEモデルにおけるIP保護のためのフレームワークであるRouteMarkを提案する。
我々の重要な洞察は、タスク固有の専門家は、探索入力の下で安定かつ独特なルーティング行動を示すことである。
属性と改ざん検出のために,類似性に基づくマッチングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2025-08-03T14:51:58Z) - Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。
このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
論文 参考訳（メタデータ） (2021-12-17T14:31:40Z)
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。