論文の概要: GrayShield: Bit-Level Sanitization for Transformer Model Supply-Chain Security

• arxiv url: http://arxiv.org/abs/2610.04319v1
• Date: Sat, 03 Oct 2026 06:16:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:40:46.637179
• Title: GrayShield: Bit-Level Sanitization for Transformer Model Supply-Chain Security
• Title（参考訳）: GrayShield: トランスフォーマーモデルのサプライチェーンセキュリティのためのビットレベルサニタイズ
• Abstract要約: 本稿では,軽量・後学習型ゼロデータ消毒法であるGSabbrを提案する。 GSabbr は宣言された Mantissa-LSB チャネルを Gray-code-guided low-transition sequence で置き換える。 4つのTransformerモデルプリセットと2つの現実世界のマルウェアペイロードで、トレーニング後の7つのディフェンスに対してベンチマークされた。
• 参考スコア（独自算出の注目度）: 6.174273005622613
• License:
• Abstract: Transformer models such as BERT and Vision Transformer~(ViT) achieve strong performance via densely parameterized attention backbones. However, the least significant bits~(LSBs) of their 32-bit floating-point weights can be abused as covert channels to conceal malicious payloads, posing a serious threat to the AI model supply chain. We propose \GS (\GSabbr), a lightweight, post-training, zero-data sanitization method that completely replaces the declared mantissa-LSB channel with a Gray-code-guided low-transition sequence. Complete payload-independent overwrite, whether keyed or public, makes the sanitized target bits independent of the embedded payload and gives that declared channel zero capacity. Gray coding supplies overwrite structure, while a keyed per-tensor phase supplies pattern diversity. Benchmarked against seven post-training defenses on four Transformer model presets and two real-world malware payloads, \GSabbr maintains sub-$1\%$ accuracy impact and achieves $49.96\pm0.66$ percentage-point Recovery Reduction (RR) under five implemented attacker variants. Because pre-defense recovery is effectively $100\%$, RR near 50 percentage points corresponds to post-sanitization bit accuracy at binary chance. Its main empirical advantage is stable near-chance sanitization with substantially smaller weight-distribution shift than the evaluated near-chance baselines PatternMask (PM) and Post-Training Quantization (PTQ).
• Abstract（参考訳）: BERT や Vision Transformer~(ViT) のようなトランスフォーマーモデルは、高密度にパラメータ化されたアテンションバックボーンによって強い性能を達成する。 しかし、32ビット浮動小数点重みの最小のビット〜(LSB)は、悪意のあるペイロードを隠す隠蔽チャネルとして悪用され、AIモデルサプライチェーンに深刻な脅威をもたらす。 我々は,宣言されたマティーサLSBチャネルをグレーコード誘導低遷移シーケンスで完全に置き換える,軽量で訓練後のゼロデータサニタイズ法である \GS (\GSabbr) を提案する。 完全ペイロード非依存のオーバーライトは、キーか公開かにかかわらず、組み込みペイロードとは独立して、宣言されたチャネルゼロの容量を与える。 グレーコーディングは構造を上書きし、キー付きテンソルフェーズはパターンの多様性を提供する。 4つのTransformerモデルプリセットと2つの実世界のマルウェアペイロードのトレーニング後の7つの防御に比較して、 \GSabbrは1\%以下の精度で499.96\pm0.66$パーセンテージ・ポイント・リカバリ・リカバリ・リダクション(RR)を実現している。 防御前のリカバリは事実上100\%$であるので、RRの50パーセント近くは二分確率での鎮静後のビット精度に対応している。 その主な利点は、評価されたニアチャンスベースラインであるPatternMask (PM) やポストトレーニング量子化 (PTQ) よりもかなり少ない重量分布シフトを有する安定な近チャンス衛生である。

関連論文リスト

• Learning Functional Subspaces for Neural Network Compression [79.78451551969097]
  Learnable Subspace Projections (LSP) は、エンドツーエンドを捨てるためにサブスペースを学習する。 LSPは、小さなバッチサイズで高密度モデルよりも1.6倍高速にデコードする。
  論文  参考訳（メタデータ） (2026-09-30T16:47:35Z)
• Embedding Drift in Code Vulnerability Models Under Intended Behaviour-Preserving Transformations [0.4384115998988432]
  我々は、脆弱性クラス情報を保存しながら、クリーンで変更された表現を近接的に投影する列車専用ディフェンスを導入する。 提案された防御は、平均コモンセット脆弱性フリップレート(VFR)を22.60%から11.32%に削減し、平均変更精度を55.33%から57.10%に改善した。 これらの結果は、防衛は意味論的保存コード変換に対する堅牢性を改善するが、偽陽性のトレードオフを導入し、予測不安定性を完全に排除しないことを示している。
  論文  参考訳（メタデータ） (2026-09-18T01:33:19Z)
• Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors [48.881343993730844]
  安全性に整合した大規模言語モデル(LLM)は、現実世界のパイプラインにますますデプロイされている。 敵は通常の評価では動作しないバックドアのチェックポイントを配布することができる。 最近のポストホック重み付け法は、そのようなバックドアを注入するための効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-14T06:48:33Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• ZACH-ViT: Regime-Dependent Inductive Bias in Compact Vision Transformers for Medical Imaging [0.0]
  ZACH-ViTはコンパクトなビジョン変換器で、位置埋め込みとトークンの両方を取り除きます。 特に「ゼロトークン」とは、専用の[NIST]アグリゲーショントークンと位置埋め込みを取り除くことを指す。 ZACH-ViTは、サブ秒の推論時間を維持しながら競合性能を達成する。
  論文  参考訳（メタデータ） (2026-02-20T01:38:59Z)
• Adversarial Robustness of Traffic Classification under Resource Constraints: Input Structure Matters [2.4779082385578337]
  トラフィック分類(TC)は、特にIoTや組み込みコンテキストにおいて、サイバーセキュリティにおいて重要な役割を果たす。 ハードウェア対応ニューラルアーキテクチャサーチ(HW-NAS)を使用して、エッジプラットフォーム上で正確で効率的でデプロイ可能な軽量TCモデルを導出します。
  論文  参考訳（メタデータ） (2025-12-01T23:47:22Z)
• One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
  共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。 提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
  論文  参考訳（メタデータ） (2025-06-19T19:14:25Z)
• Model Supply Chain Poisoning: Backdooring Pre-trained Models via Embedding Indistinguishability [61.549465258257115]
  そこで我々は,PTMに埋め込まれたバックドアをモデルサプライチェーンに効率的に移動させる,新しい,より厳しいバックドア攻撃であるTransTrojを提案する。 実験の結果,本手法はSOTAタスク非依存のバックドア攻撃より有意に優れていた。
  論文  参考訳（メタデータ） (2024-01-29T04:35:48Z)
• CertViT: Certified Robustness of Pre-Trained Vision Transformers [11.880271015435582]
  Lipschitzのバウンドニューラルネットワークは、確実に堅牢であり、クリーンと認定の正確性の間に良いトレードオフがある。 既存のリプシッツ境界法は、スクラッチから訓練され、適度な大きさのネットワークに制限されている。 CertViTネットワークは、最先端のリプシッツ訓練ネットワークよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-02-01T06:09:19Z)

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。