論文の概要: JASPER: Special Session on Joint Reliability And Security Assessment of SPlit Computing for Edge Robustness

• arxiv url: http://arxiv.org/abs/2610.04396v1
• Date: Sat, 03 Oct 2026 09:36:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:39:23.631576
• Title: JASPER: Special Session on Joint Reliability And Security Assessment of SPlit Computing for Edge Robustness
• Title（参考訳）: JASPER: エッジロバストネスのためのスプリットコンピューティングの信頼性とセキュリティ評価に関する特別セッション
• Abstract要約: Split Computingは、エッジデバイスとクラウドサーバ間の推論をパーティショニングすることで、ディープニューラルネットワーク(DNN)の効率的なデプロイを可能にする。 中間的特徴表現は 同時に ハードウェアの欠陥と 敵の攻撃に晒される 本稿では,スプリットコンピューティングにおける信頼性とセキュリティの協調評価のための統一的な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）: 31.25922932513858
• License:
• Abstract: Split Computing (SC) enables efficient deployment of Deep Neural Networks (DNNs) by partitioning inference between edge devices and cloud servers. However, intermediate feature representations are simultaneously exposed to hardware faults and adversarial attacks, which are traditionally evaluated independently. This paper presents a unified framework for the joint assessment of reliability and security in Split Computing. First, reliability is characterized through neuron-level fault injection using the Mean Relative Accuracy Degradation (MRAD) while security through feature-map-aware adversarial attacks simulations using the Attack Success Rate (ASR). Based on these complementary analyses, the Joint Vulnerability Score (JVS) is introduced, along with a confidence-aware extension that jointly captures prediction errors and confidence degradation. The framework is evaluated on ten Split Computing configurations based on ResNet-50 trained on ILSVRC-2012. Experimental results show substantial differences across compression strategies, with MRAD ranging from 44.3% to 61.2% under fault injection, while adversarial attacks achieve up to 98.8% ASR. Furthermore, the proposed joint metrics reveal vulnerability trends that remain hidden when reliability and security are analyzed independently, providing a more comprehensive methodology for designing dependable Split Computing systems.
• Abstract（参考訳）: Split Computing(SC)は、エッジデバイスとクラウドサーバ間の推論を分割することで、ディープニューラルネットワーク(DNN)の効率的なデプロイを可能にする。 しかし、中間的特徴表現は、伝統的に独立して評価されるハードウェア障害や敵攻撃に同時に露出する。 本稿では,スプリットコンピューティングにおける信頼性とセキュリティの協調評価のための統一的なフレームワークを提案する。 まず,MRAD(Mean Relative Accuracy Degradation)を用いたニューロンレベルの障害注入と,ASR(Attack Success Rate)を用いた特徴マップ対応攻撃シミュレーションによるセキュリティを特徴とする。 これらの相補的な分析に基づき、JVS(Joint Vulnerability Score)が導入された。 このフレームワークは、ILSVRC-2012でトレーニングされたResNet-50に基づいて、10のSplit Computing設定で評価されている。 実験の結果、MRADは44.3%から61.2%の範囲で、敵の攻撃は98.8%のASRを達成している。 さらに,信頼性とセキュリティを独立して分析した場合には,脆弱性の傾向を隠蔽し,信頼性の高いスプリットコンピューティングシステムを設計するためのより包括的な方法論を提供する。

関連論文リスト

• Robust and Personalized Federated Learning for Aircraft-Engine Prognostics under Benign and Adversarial Client Heterogeneity [0.4776836972093627]
  FL(Federated Learning)は、航空機の運用者が生データを共有せずに、エンジンセンサーテレメトリから残留寿命(RUL)モデルを共同訓練することを可能にする。 本研究では, 正直な操作者が異なる操作条件や障害モードを観察する良性不均一性と, 妥協した操作者が有毒な更新を提出する敵対的不均一性という2つの相補的課題について検討した。 エンジンの劣化を隠蔽する物理的に動機付けられたセンサ値バックドアを含む,4つのアグリゲーション手法に対する5つの攻撃を評価した。
  論文  参考訳（メタデータ） (2026-08-04T06:54:29Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Enhancing Decision-Making in Windows PE Malware Classification During Dataset Shifts with Uncertainty Estimation [1.9269719158344512]
  我々は,確率閾値,事前ネット,アンサンブル推定,帰納的等式評価(ICE)を含む不確実性を考慮した意思決定戦略について検討する。 本研究の主な貢献は,ICE内における非整合性対策として,アンサンブルに基づく不確実性推定を,新しいしきい値最適化法と組み合わせることである。 これらの結果は、アンサンブルに基づく不確実性と整合性予測を統合することで、極端なデータセットシフトの下での誤分類に対するより信頼性の高い保護が可能になることを示している。
  論文  参考訳（メタデータ） (2025-12-20T20:17:12Z)
• Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty [0.0]
  本研究は,確率論的モデリングにより,アレータリックな不確実性を直接学習する,新しい不確実性を考慮したディープラーニングフレームワークを提案する。 本フレームワークは,RMSEが5.14,6.89,5.27,7.16で,ブレークスルークリティカルゾーン性能(RUL=30サイクル)を達成する。 学習された不確実性は95パーセントの信頼区間を提供し、カバー範囲は93.5パーセントから95.2%までであり、リスク対応のメンテナンススケジュールを可能にしている。
  論文  参考訳（メタデータ） (2025-11-24T13:53:31Z)
• PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant Semantic Segmentation [50.556961575275345]
  対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。 我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-08-08T01:55:44Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• 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)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。