論文の概要: When Rotation Bounds Nothing: Streaming Image Classifiers to Field Nodes Under Physical Capture

• arxiv url: http://arxiv.org/abs/2610.21276v1
• Date: Thu, 15 Oct 2026 05:11:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.20017
• Title: When Rotation Bounds Nothing: Streaming Image Classifiers to Field Nodes Under Physical Capture
• Title（参考訳）: 回転バウンドが無くなったとき:物理キャプチャで画像分類器をフィールドノードにストリーミングする
• Abstract要約: フィールドノードはイメージ分類器をローカルに実行し、ファーストクラスのアセットであるトレーニングされたモデルを盗む。 ここでオペレータがノードを所有し、それを乗っ取る敵は、コールドブートキャプチャが常駐しているもののみを読み取る。 我々は、受動的かつ適応的な敵に対して、あるアーキテクチャの犠牲者2人にまたがる実際のLTEトレースのキャプチャエンベロープを特徴付ける。
• 参考スコア（独自算出の注目度）: 7.154621689269006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Field nodes run image classifiers locally, exposing a first-class asset, the trained model, to theft. Trusted-execution enclaves, collaborative-inference splits, and encrypted storage assume the device owner is the adversary from deployment. Here the operator owns the node, and an adversary seizing it reads only what cold-boot capture finds resident. One answer stores nothing: a chunkable multi-exit model streams into volatile memory, rotating to bound residency. We characterise the capture envelope on real LTE traces across two victims of one architecture, against passive and adaptive adversaries. Neither survives a capable adversary; recovery cost alone differs. Against a from-scratch victim the uncaptured stages must be learned: the adaptive adversary gains most at shallow seizures, ends the CIFAR-10 envelope at every rotation, and stays rotation-bounded on CIFAR100, from 42.6% of usable seizures at 5 s to 86.8% at 30 s. Against the same architecture sliced from a public pretrained backbone, the adversary downloads those stages, recovering at least 90% of maximum accuracy at all depths, taking usable CIFAR-100 seizures from 0.0% to 97.3% at 5 s, given the victim's full labelled training set. Delivery-side secrecy raises a seizure's price; a public copy of the withheld stages erases it.
• Abstract（参考訳）: フィールドノードはイメージ分類器をローカルに実行し、ファーストクラスのアセットであるトレーニングされたモデルを盗む。 Trusted-execution enclaves、コラボレーティブ-推論分割、暗号化ストレージは、デバイス所有者がデプロイメントの敵であると仮定する。 ここでオペレータがノードを所有し、それを乗っ取る敵は、コールドブートキャプチャが常駐しているもののみを読み取る。 チャンク可能なマルチエグジットモデルストリームを揮発性メモリに変換し、常駐状態に回転させる。 我々は、受動的かつ適応的な敵に対して、あるアーキテクチャの犠牲者2人にまたがる実際のLTEトレースのキャプチャエンベロープを特徴付ける。 どちらも有能な敵には生き残れず、回復コストだけが異なる。 アダプティブ・アダプティブ・アダルト・アダプティブ・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アダルト・アレスト・アダルト・アダルト・アレスト・アダルト・アダルト」は、アダルト・アダルト・アダルト・アラート(CIFAR100)の犠牲者に対し、非捕獲の犠牲者に対して、非捕獲段階は、 パブリックな事前訓練されたバックボーンからスライスされた同じアーキテクチャに対して、敵はこれらのステージをダウンロードし、すべての深さで最大90%の精度を回復し、被害者の完全なラベル付きトレーニングセットから、使用可能なCIFAR-100の発作を0.0%から97.3%まで5秒で取得した。 配達側の機密は差し押さえの価格を上昇させ、保持されていないステージの公開コピーがそれを消去する。

関連論文リスト

• WaSA: Wavelet Scattering Autoencoders for Unsupervised Offline Detection of Malicious Clients in Federated Learning [51.56484100374058]
  Federated Learning(FL)は、生データを公開することなく、協調的なモデルトレーニングを可能にする。 我々は、悪意のあるクライアント検出のための完全に教師なしのオフラインフレームワーク、WaSAを提案する。 クリーンな補助データのみに基づいて訓練されたデノナイジングオートエンコーダは、学習された良性多様体からの偏差に基づいてクライアントをスコアする。
  論文  参考訳（メタデータ） (2026-10-09T08:10:10Z)
• HE-OFT: Privacy-Preserving One-Shot Federated Fine-Tuning under Homomorphic Encryption [1.332713003014756]
  HE-OFT(英語版)は、訓練されたモデルを受け取らない最初の暗号でセキュアなワンショット・フェデレーション・ファインチューニングプロトコルである。 4つのテキスト分類タスクでは、HE-OFTは61～79パーセントの精度に達し、クライアントのトレーニング単独では20～48パーセントである。
  論文  参考訳（メタデータ） (2026-10-06T12:35:08Z)
• Rethinking Generative Image Compression at Extremely Low Bitrates [56.035931340138006]
  本稿では、圧縮された表現とソース表現を直接アライメントする表現オートエンコーダ(RAE)空間上に構築された圧縮指向拡散(CoD)であるRAE-CoDを紹介する。 5つの視覚基盤モデル(VFM)と視覚言語モデルプロトコルを用いて,この枠組みを評価する。
  論文  参考訳（メタデータ） (2026-09-30T08:53:11Z)
• PerceptFence: Content-Mediation Architecture and Deterministic Coverage for Screen-Share AI Assistants [0.0]
  ライブスクリーン共有AIアシスタントは、生の画面と音声ストリームを観察するが、ユーザはアシスタントが観察、保持、開示する可能性のあるものに対して実行時コントロールをほとんど持たない。 本稿では、キャプチャ、メモリ、モデル応答間のコンテンツ層仲介アーキテクチャであるPerceptFenceを紹介する。
  論文  参考訳（メタデータ） (2026-09-27T23:44:04Z)
• Cascading Gradient Inversion via LT-Code Inspired Peeling in Federated Learning [0.42970700836450487]
  フェデレートされた学習は、生データではなくモデル更新を共有するが、これらの更新は、クライアントのトレーニングデータを再構築するために反転することができる。 以前のシングルラウンド攻撃では、攻撃者がネットワークパラメータを完全にコントロールしている場合でも、サイズが100ドル程度のバッチの半分しか回復できない。 我々は、勾配反転と消去訂正符号理論の関連性を確立し、これらの境界を超える攻撃を構築するためにそれを利用する。
  論文  参考訳（メタデータ） (2026-09-09T03:17:01Z)
• TRIS: A Tri-Layer Retrieval Integrity Sieve Against Knowledge Poisoning [6.613886785198943]
  Tri-Layer Sieveは、クロスエンベディング空間クラスタリングによって得られた証拠を衛生化する。 1つの文書は1つの埋め込み幾何学、1つの内部Trigger-Payload構造、1つの世代目標を満たさなければならない。
  論文  参考訳（メタデータ） (2026-08-31T23:21:27Z)
• Hiding Directions, Leaking Structure: Breaking ArrowCloak through Low-Rank Structure [11.442729593360738]
  TEEシールド推論は、線形代数を信頼できない加速器にオフロードしながら、信頼された実行環境(TEE)においてセンシティブな状態を維持する。 Wang et al. は Game of Arrows (USENIX Security 2025) で、広く採用されている5つの軽量防御がベクトル方向を保存することを示し、この漏れを利用するためにArrowMatchを導入した。 本稿では,ArowCloakを提案する。これは各ベクトルに1つの共有マスク方向の異なる倍数を追加し,その重み付きハードネス引数をLearning with Errors (LWE) に基づける。 この構造を、エンドツーエンドのクエリフリーリカバリアタックである、提案したアタックで活用する。
  論文  参考訳（メタデータ） (2026-08-21T20:30:26Z)
• When Claws Remember but Do Not Tell: Stealthy Memory Injection in Persistent Personal Agents [55.87577638514179]
  我々は、リモートのブラックボックスが1つのメールペイロードを送信し、エージェントに有毒なメモリを誘導しなければならない、ステルスメモリインジェクションとして脅威を調査する。 我々は,ワンショットペイロード生成フレームワークであるMemGhostを提案する。 56のテストケースで、MemGhostはGPT-5.4でOpenClawで87.5%、Sonnet 4.6でClaude Code SDKで71.4%を達成している。
  論文  参考訳（メタデータ） (2026-07-06T15:08:58Z)
• Evaluating the Robustness of the "Ensemble Everything Everywhere" Defense [90.7494670101357]
  あらゆるものをアンサンブルすることは、敵の例に対する防御である。 この防御は敵の攻撃に対して堅牢ではないことを示す。 次に、標準的なアダプティブアタック技術を用いて、防御の堅牢な精度を低下させる。
  論文  参考訳（メタデータ） (2024-11-22T10:17:32Z)
• ZeroPur: Succinct Training-Free Adversarial Purification [18.36423412489391]
  敵の浄化は、目に見えない敵の攻撃から防御できる防衛計算手法の一種である。 我々は、ZeroPurと呼ばれる、逆画像の浄化を更なる訓練なしに簡単な逆画像浄化法を提案する。
  論文  参考訳（メタデータ） (2024-06-05T10:58:15Z)
• Robust Contrastive Language-Image Pre-training against Data Poisoning and Backdoor Attacks [52.26631767748843]
  ROCLIPは、ターゲットデータ中毒やバックドア攻撃に対して、マルチモーダル視覚言語モデルを堅牢に学習するための最初の効果的な方法である。 ROCLIPは、比較的大きく多様なランダムキャプションのプールを考慮することにより、有毒な撮像対の関連を効果的に破壊する。 実験の結果,ROCLIPは訓練前のCLIPモデルにおいて,最先端のデータ中毒やバックドア攻撃を未然に防ぐことができることがわかった。
  論文  参考訳（メタデータ） (2023-03-13T04:49:46Z)

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。