論文の概要: Power Side-Channel Membership Inference Attack on Embedded Machine Learning
- arxiv url: http://arxiv.org/abs/2610.10909v1
- Date: Wed, 07 Oct 2026 21:07:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.673356
- Title: Power Side-Channel Membership Inference Attack on Embedded Machine Learning
- Title（参考訳）: 組み込み機械学習におけるパワーサイドチャネルメンバーシップ推論攻撃
- Abstract要約: メンバーシップ推論攻撃(MIA)は、機械学習(ML)トレーニングデータのプライバシーを脅かす。
組み込みMLモデルに対するパワーサイドチャネルメンバシップ推論であるPSCMIAを提案する。
PSCMIAは、予測確率や予測ラベルを必要とせずに、パワートレースから直接メンバーシップを推測することができる。
- 参考スコア（独自算出の注目度）: 2.6713452353326717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Membership inference attacks (MIAs) threaten the privacy of machine learning (ML) training data by determining whether a sample was used to train a target model. Existing MIAs rely on model outputs, ranging from prediction probabilities to predicted labels, an assumption that can be restrictive for on-device ML systems with limited or inaccessible outputs. However, suppressing model outputs does not eliminate the data-dependent computations that produce them, which may remain observable through physical side channels. We present PSCMIA, a power side-channel membership inference attack against embedded ML models that can infer membership directly from power traces without requiring prediction probabilities or even the predicted labels. We evaluate PSCMIA across multiple datasets (MNIST, FMNIST, CIFAR10, CINIC10), fully connected (FC) and convolutional neural network (CNN) architectures, and two embedded platforms (STM32F3, XMEGA). PSCMIA achieves ROC-AUC values of up to 0.907 on FC models. For CNN models, the ROC-AUC gap between PSCMIA and probability vector-based shadow MIA ranges from 0.006 to 0.116. Across the FC and CNN evaluations, PSCMIA outperforms label-only MIA in 11 of 16 model-dataset-hardware configurations, demonstrating that physical execution can expose membership information even when conventional model outputs are unavailable through unintended power side-channel leakage.
- Abstract（参考訳）: メンバーシップ推論攻撃(MIA)は、機械学習(ML)トレーニングデータのプライバシーを脅かす。
既存のMIAはモデル出力に依存しており、予測確率から予測ラベルまで、限定的またはアクセス不能な出力を持つデバイス上のMLシステムでは制限可能な仮定である。
しかし、モデル出力の抑制は、それらを生成するデータ依存の計算を排除しない。
予測確率や予測ラベルを必要とせずに、パワートレースから直接メンバーシップを推定できる、組み込みMLモデルに対するパワーサイドチャネルメンバシップ推論攻撃であるPSCMIAを提案する。
我々は、複数のデータセット(MNIST、FMNIST、CIFAR10、CINIC10)、完全連結(FC)、畳み込みニューラルネットワーク(CNN)アーキテクチャ、および2つの組込みプラットフォーム(STM32F3、XMEGA)でPSCMIAを評価する。
PSCMIAはFCモデルで最大0.907のROC-AUC値を達成する。
CNNモデルでは、PSCMIAと確率ベクトルベースの影MIAのROC-AUCギャップは0.006から0.116の範囲である。
FCとCNNの評価全体では、PSCMIAは16のモデル・データセット・ハードウェア構成のうち11のラベルのみのMIAよりも優れており、従来のモデル出力が意図しない電力側チャネルリークによって利用できない場合でも、物理実行がメンバシップ情報を公開できることが示されている。
関連論文リスト
- Probabilistic indirect models for undrained shear strength: addressing significant data missing and variability with advanced imputation and machine learning techniques [3.6913038494792656]
非乾燥せん断強度(su)の正確な予測は、ジオテクニカル設計には不可欠であるが、しばしばかなりの不確実性によって妨げられる。
本研究ではCLAY/10/7490グローバルデータベースを用いて確率的間接モデルを構築し,Suを予測する。
論文 参考訳（メタデータ） (2026-08-14T04:15:16Z) - PARD-SSM: Probabilistic Cyber-Attack Regime Detection via Variational Switching State-Space Models [0.0]
本稿では,ネットワークテレメトリをK = 4 の隠れ状態を持つ線形力学系としてモデル化する確率的フレームワーク PARD-SSM を提案する。
構造的変動近似は、推論の複雑さを指数関数からO(TK2)に還元し、標準CPUハードウェアでのリアルタイム検出を可能にする。
モデルはまた、攻撃開始の約8分前に予測アラートを生成する。
論文 参考訳（メタデータ） (2026-04-02T17:38:52Z) - MCMC Informed Neural Emulators for Uncertainty Quantification in Dynamical Systems [8.206008652536982]
パラメトリック不確実性定量化は、モデルパラメータの正確な事前分布が可能であると仮定して、トレーニングに含めることができる。
本稿では,モデルパラメータの直接スクリーニングやランダムサンプリングが,非物理パラメータ値のトレーニング時間と評価に繋がる,共通の逆の状況について検討する。
我々の解決策は、不確実な定量化をネットワークアーキテクチャから切り離すことです。
論文 参考訳（メタデータ） (2026-03-11T17:16:48Z) - ACD-U: Asymmetric co-teaching with machine unlearning for robust learning with noisy labels [2.0391237204597363]
深層ニューラルネットワークはトレーニング中に誤ったラベルを記憶する傾向があるため、一般化性が低下する。
本稿では、異なるモデルアーキテクチャを用いて機械学習を組み込んだ非対称なコティーチングフレームワークである、異なるアーキテクチャ(ACD)を用いた非対称コティーチングを提案する。
ACD-Uは2つのコアメカニズムを通じてこの制限に対処する。第一に、その非対称なコティーチングペアは、畳み込みニューラルネットワーク(CNN)を備えたコントラッシブ言語イメージ事前学習(CLIP)プリトレーニング(英語版))である。
第二に、選択的アンラーニングは、損失軌跡解析とCLIによる誤記憶標本の同定により、ホット後の誤り訂正を可能にする
論文 参考訳（メタデータ） (2026-03-07T12:13:14Z) - Quantum Machine Learning for UAV Swarm Intrusion Detection [25.52804434998647]
UAV群における侵入検知は、高移動量、非定常交通、重度の階級不均衡によって複雑である。
量子カーネル、変分量子ニューラルネットワーク(QNN)、ハイブリッド量子学習ニューラルネットワーク(QT-NN)の3つのアプローチをベンチマークする。
すべてのモデルは8機能フロー表現を消費し、同じ前処理、バランス、ノイズモデル仮定の下で評価される。
量子カーネルとQT-NNは低データ、非線形なレジームで優れており、QNNはトレーニング容易性の問題に悩まされている。
論文 参考訳（メタデータ） (2025-09-01T22:36:30Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Probing Model Signal-Awareness via Prediction-Preserving Input
Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。
SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。
その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文 参考訳（メタデータ） (2020-11-25T20:05:23Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。