論文の概要: Guess My Weight: Profiled Side-Channel Recovery of Floating-Point Neural-Network Weights

• arxiv url: http://arxiv.org/abs/2610.04436v1
• Date: Sat, 03 Oct 2026 10:54:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:40:35.034073
• Title: Guess My Weight: Profiled Side-Channel Recovery of Floating-Point Neural-Network Weights
• Title（参考訳）: Guess My Weight:Floating-Point Neural-Network Weightsのサイドチャネル復元
• Abstract要約: IEEE-754単精度ニューラルネットワーク重みのビットエクササイズ回復のためのプロファイリングテンプレートアタックを提案する。 Arm Cortex-M4を搭載したChipWhisperer-Liteの実験では、目標重量の正確なfloat32表現が復元された。
• 参考スコア（独自算出の注目度）: 3.1345371194440705
• License:
• Abstract: Neural-network parameters deployed on embedded devices may be exposed through physical side-channel leakage during inference. Existing side-channel attacks on floating-point neural-network parameters have often targeted reduced numerical precision, while recovering the complete IEEE-754 representation remains considerably more challenging because of the large and structured 32-bit candidate space. We present a profiled template attack for bit-exact recovery of an IEEE-754 single-precision neural-network weight from power measurements. The attack targets the floating-point multiplication between a known input and a first-layer weight. During profiling, multivariate Gaussian templates are learned from randomized network configurations using Hamming-weight classes of the multiplication result, while the remaining network parameters act as nuisance variables. To efficiently search the structured 32-bit floating-point candidate space, we use a hierarchical coarse-to-fine-to-exact procedure that progressively increases both the numerical and leakage-model resolution. Experiments on a ChipWhisperer-Lite with an Arm Cortex-M4 demonstrate recovery of the exact float32 representation of the target weight. In the evaluated setting, the attack reaches a bit-exact success rate of 99% with 171 traces and 100% from 263 traces onward. These results demonstrate that profiling can enable practical full-precision extraction of floating-point neural-network parameters from physical leakage.
• Abstract（参考訳）: 組み込みデバイスにデプロイされるニューラルネットワークパラメータは、推論中に物理的なサイドチャネルリークによって公開されることがある。 浮動小数点ニューラルネットワークパラメータに対する既存のサイドチャネル攻撃は、しばしば数値精度の低下を狙ったが、完全なIEEE-754表現の復元は、大きく構造化された32ビット候補空間のため、かなり難しいままである。 IEEE-754単精度ニューラルネットワーク重みのビットエクササイズ回復のためのプロファイリングテンプレートアタックを提案する。 攻撃対象は、既知の入力と第1層重みの間の浮動小数点乗算である。 プロファイリング中、多変量ガウステンプレートは、乗算結果のハミング重みクラスを用いてランダム化されたネットワーク構成から学習され、残りのネットワークパラメータはニュアンス変数として機能する。 構造付き32ビット浮動小数点候補空間を効率的に探索するために,階層的粗大から細小への手続きを用い,数値モデルと漏洩モデルの両方の分解能を段階的に向上させる。 Arm Cortex-M4を搭載したChipWhisperer-Liteの実験では、目標重量の正確なfloat32表現が復元された。 評価された設定では、攻撃は171のトレースで99%、263のトレースで100%に達する。 これらの結果から,物理漏洩から浮動小数点ニューラルネットワークパラメータを実測精度で抽出できることが示唆された。

関連論文リスト

• LoopVAE: Recurrent Depth Across Scales for Visual Tokenization [3.805468327504537]
  LoopVAEはスケールとループ条件のコアをスケール内で再利用する。 4ブロックコアはエンコーダまたはデコーダ毎に28ブロックアプリケーションを実行する。 同じ実行グラフを持つ非逆変換器アブレーションは、グローバルな共有の下で競合するPSNRとSSIMを見つける。
  論文  参考訳（メタデータ） (2026-09-10T13:20:03Z)
• Understanding and Mitigating Numerical Sources of Nondeterminism in LLM Inference [31.2331188304598]
  評価バッチサイズ、GPUカウント、GPUバージョンなどのシステム構成の変更は、生成されたレスポンスに大きな違いをもたらす可能性がある。 この変数の根本原因は、限定的な数値精度で浮動小数点算術の非連想性に遡る。 そこで我々は16ビットの精度で重みを格納するが、FP32では全ての計算を実行する軽量な推論パイプラインLayerCastを開発した。
  論文  参考訳（メタデータ） (2025-06-11T08:23:53Z)
• Getting Free Bits Back from Rotational Symmetries in LLMs [32.30151436903008]
  回転対称トランスフォーマー重みを記憶するためのビットバック符号化方式を提案する。 SliceGPTによるLarge Language Models (LLM) の評価を行った。
  論文  参考訳（メタデータ） (2024-10-02T08:03:47Z)
• Expressive Power of ReLU and Step Networks under Floating-Point Operations [11.29958155597398]
  二項しきい値単位またはReLUを用いたニューラルネットワークは、任意の有限入力/出力ペアを記憶可能であることを示す。 また,浮動小数点演算が有意および指数の両方に有限ビットを使用する場合,暗記および普遍近似に関する同様の結果を示す。
  論文  参考訳（メタデータ） (2024-01-26T05:59:40Z)
• Quantized Neural Networks for Low-Precision Accumulation with Guaranteed Overflow Avoidance [68.8204255655161]
  本稿では,推定時のアキュムレータの精度を下げる際に,数値オーバーフローを回避する量子化学習アルゴリズムを提案する。 本手法は,浮動小数点点ベースラインに対するモデル精度を維持しつつ,アキュムレータの精度を低減できることを示す。
  論文  参考訳（メタデータ） (2023-01-31T02:46:57Z)
• PositNN: Training Deep Neural Networks with Mixed Low-Precision Posit [5.534626267734822]
  本研究は、ポジットを用いた深層畳み込みニューラルネットワークの訓練の可能性を評価することを目的とする。 エンドツーエンドのトレーニングと推論にシミュレートされたポジットとクィアを使用するソフトウェアフレームワークが開発された。 その結果、8ビットポジットはトレーニング中に32ビットフロートを置換でき、その結果の損失や精度に悪影響を及ぼさないことが示唆された。
  論文  参考訳（メタデータ） (2021-04-30T19:30:37Z)
• Searching for Low-Bit Weights in Quantized Neural Networks [129.8319019563356]
  低ビットの重みとアクティベーションを持つ量子ニューラルネットワークは、AIアクセラレータを開発する上で魅力的なものだ。 本稿では、任意の量子化ニューラルネットワークにおける離散重みを探索可能な変数とみなし、差分法を用いて正確に探索する。
  論文  参考訳（メタデータ） (2020-09-18T09:13:26Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。