論文の概要: Detecting AI Training in Datacentre Power

• arxiv url: http://arxiv.org/abs/2610.30182v1
• Date: Mon, 19 Oct 2026 21:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.078364
• Title: Detecting AI Training in Datacentre Power
• Title（参考訳）: Datacentre PowerにおけるAIトレーニングの検出
• Abstract要約: 移動繰り返し周期のビタビ追跡により,施設レベルの同期モデル学習を検出する手法を開発した。 シミュレーションされたデータセントリックパワーでは、オペレータが隠そうとしないとき、Viterbiトラッカーは、宣言された推論ワークロードに対して、少なくとも96%のトレーニング実行を検知する。
• 参考スコア（独自算出の注目度）: 0.2698840218255533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI governance agreements require methods to detect large model training runs on a monitored computing cluster, without trusting the operator. We develop a method to detect synchronous model training in facility-level power by Viterbi tracking of the wandering iteration cadence. On simulated datacentre power, when the operator makes no attempt to hide, the Viterbi tracker detects at least $96\%$ of training runs against a declared inference workload, at a $1\%$ false-alarm rate and within $0.04$ of the Neyman--Pearson optimum, given a meter that samples at $2$ Hz or faster. Of eight adversarial strategies an operator might use to hide, only extreme variation of the work per iteration evades the tracker. Its strongest form hides training in up to $73\%$ of five-minute observations, but over a day at least $87\%$ of such runs are still caught, at a $0.1\%$ false-alarm rate per run. This adversarial strategy costs no throughput, but in small-scale training the operator needs $93$--$267\%$ more compute to reach the same loss. A modest passive meter is sufficient to make hidden training both detectable and expensive, which makes power metering a promising part of compute verification that does not depend on trusting the operator.
• Abstract（参考訳）: AIガバナンス契約は、オペレータを信頼することなく、監視されたコンピューティングクラスタ上で実行される大規模なモデルトレーニングを検出する方法を必要とする。 移動繰り返し周期のビタビ追跡により,施設レベルの同期モデル学習を検出する手法を開発した。 シミュレーションされたデータセントリックパワーでは、オペレーターが隠そうとしなかった場合、Viterbiトラッカーは、宣言された推論ワークロードに対して、少なくとも9,6\%のトレーニングの実行を、Neyman-Pearson最適化の0.04ドル以内で検出する。 オペレータが隠れるために使用する8つの敵戦略のうち、1イテレーション当たりの作業の極端なバリエーションだけがトラッカーを回避している。 その最強の形式は、5分間の観察で最大7,3\%のトレーニングを隠しているが、少なくとも8,7\%のトレーニングは1日あたり0.1\%の偽アラームレートで実施されている。 この敵対的戦略はスループットを犠牲にしないが、小規模のトレーニングでは、同じ損失に達するためには9,3$-$267\%以上の計算が必要である。 控えめなパッシブメーターは、検出可能かつ高価の両方で隠れたトレーニングを行うのに十分であり、演算子を信頼しない計算検証の有望な部分をパワー測定する。

関連論文リスト

• Quantization-Tolerant Gradient Auditing for Active Inference-Attack Detection in Federated Learning [0.0]
  参加者がいくつかの説明責任を持つ組織であり、サーバが信頼されているクロスサイロFLでは、サーバが代わりにクライアントを尋問できるかどうかを問う。 少ない許容範囲で比較して, 定量化指紋を用いたクロスプラットフォーム浮動小数点非決定論を強固に行う。 これは、2つの異なるアクティブアタックを真正の1.0ドルでフラグ付けし、その軸に偽陽性はなく、指紋のパラメータにわたって安定し、最大50ドルまで悪質な比率でクライアントに40ドル、32,mathrmms$サーバーワークで32,mathrmms$サーバーワークで42,35ドルという価格で警告する。
  論文  参考訳（メタデータ） (2026-10-09T09:54:54Z)
• hacktrace: behavior-supervised detection of reward hacking during code generation [52.709361620508595]
  コーディングエージェントは、コードを修正するか、バグを露呈するテストを削除することで、パスグレードを得ることができる。 我々はQwen3-8Bから173,561個の注釈付きマルチターン符号化トラジェクトリをリリースし、成功を活かさないショートカット動作の監視が検出を大幅に改善することを示す。 HACKTRACEは、エージェントがコードを生成する際に既に計算している内部状態を読み取る行動監視モニターである。
  論文  参考訳（メタデータ） (2026-10-02T09:35:59Z)
• Training Witnesses: Trusting the Training without Trusting the Trainer [10.811905782682459]
  本稿では,ニューラルネットワークトレーニングランにおけるトレーニング,データ使用,評価の認定方法であるWitnessesを紹介する。 私たちの重要な洞察は、高速な行動指紋と時々再生する課題が、ニューラルネットワークのトレーニングを監査するのに十分であるということです。 我々は,DDPとFSDPをまたいだ1億から2Bスケールの言語モデルトレーニングにおいて,本手法を検証し,この最小オーバーヘッドを実証する。
  論文  参考訳（メタデータ） (2026-09-27T20:50:44Z)
• Workload Identification with Physical Side Channels for AI Governance [0.5013248430919224]
  外部オブザーバは、NVIDIA H200上で動作するワークロードのクラスを、そのパワードローから特定できることを示す。 推論としてトレーニングを偽装するために4つの回避策がテストされ、さらに680個の敵の痕跡が得られた。
  論文  参考訳（メタデータ） (2026-08-31T19:59:35Z)
• Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
  トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-01T17:23:39Z)
• $\texttt{Droid}$: A Resource Suite for AI-Generated Code Detection [75.6327970381944]
  $textbf$textttDroidCollection$$は、機械生成コード検出器のトレーニングと評価のためのオープンデータスイートである。 これには100万以上のコードサンプル、7つのプログラミング言語、43のコーディングモデルからの出力、3つの実世界のコーディングドメインが含まれている。 また、$textttDroidCollection$$でマルチタスクでトレーニングされたエンコーダのみの検出器も開発しています。
  論文  参考訳（メタデータ） (2025-07-11T12:19:06Z)
• How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection [48.30283806131551]
  非常に少ないトレーニングサンプルを持つUADが、トレーニングデータセット全体のトレーニングパフォーマンスにすでに一致している - そして、場合によっては、それを超えることもある、ということが、私たちは示しています。 そこで本研究では,UAD性能をさらに向上させるために,原型標本を確実に同定するための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-12-06T15:30:47Z)
• A Sublinear Adversarial Training Algorithm [13.42699247306472]
  本稿では,ReLUの活性化をシフトした2層ニューラルネットワーク上での対向的トレーニング手順の収束保証を解析する。 本研究では,半空間レポートデータ構造を適用して,時間コスト$o(m n d)$の逆トレーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-08-10T15:31:40Z)
• Fooling Adversarial Training with Inducing Noise [18.07654610758511]
  敵陣訓練は、敵陣攻撃に対するモデル堅牢性を改善するための信頼性の高いアプローチであると広く信じられている。 本稿では, ある種類の有毒データを用いて訓練した場合, 敵の訓練も破滅的な行動に陥ることが示唆された。 そこで本研究では,ADVIN(ADVIN)という新たなノイズ誘導法を提案する。
  論文  参考訳（メタデータ） (2021-11-19T09:59:28Z)
• Fast is better than free: Revisiting adversarial training [86.11788847990783]
  より弱く安価な敵を用いて、経験的に堅牢なモデルを訓練することが可能であることを示す。 我々は,FGSM逆行訓練を失敗に導く「破滅的オーバーフィッティング(catastrophic overfitting)」と呼ばれる障害モードを特定した。
  論文  参考訳（メタデータ） (2020-01-12T20:30:22Z)

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。