論文の概要: Weaponizing the Exit: Input Privacy Leakage via Exit Routing Manipulation in Multi-Exit Networks

• arxiv url: http://arxiv.org/abs/2610.31246v1
• Date: Thu, 22 Oct 2026 13:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.384733
• Title: Weaponizing the Exit: Input Privacy Leakage via Exit Routing Manipulation in Multi-Exit Networks
• Title（参考訳）: 排他化:マルチ排他ネットワークにおける排他的ルーティング操作による入力プライバシ漏洩
• Abstract要約: マルチエグジットネットワークは、中間出口で入力を早期に終了させることで推論効率を向上させる。 これらのネットワークのクラウド展開において、プライバシの脆弱性を特定します。 悪意のあるクラウドサービスプロバイダは、推論レイテンシのみから個々のユーザ入力のセンシティブな特性を推測することができる。
• 参考スコア（独自算出の注目度）: 14.821484275810393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-exit networks improve inference efficiency by allowing inputs to terminate early at intermediate exits. We identify a privacy vulnerability in cloud deployments of these networks: a malicious Cloud Service Provider (CSP) can infer sensitive properties of individual user inputs solely from inference latency, without accessing inputs, intermediate states, or model outputs. The attack exploits the CSP's control over the model supply chain. Prior to deployment, the CSP supplies a specially crafted multi-exit network manipulated so that inputs carrying a target sensitive property are routed to a designated exit with high probability, while other inputs exit elsewhere. At serving time, the CSP infers the exit index from per-query latency, thereby determining whether each input possesses the target property without accessing inputs, outputs, or internal model states. We propose a training framework combining selective label smoothing and entropy-covariance optimization to control confidence distributions across exits and reduce premature termination. We conduct experiments on four datasets across ten target properties. The results demonstrate strong attack effectiveness and stealthiness. The attack achieves an average F1 score of 0.73, compared to 0.25 for the strongest baseline, while main task accuracy drops by less than 1.3\% and inference speedup degradation remains below 0.1 in most settings. Our code is available at https://github.com/kazefjj/Weaponizing_the_Exit.
• Abstract（参考訳）: マルチエグジットネットワークは、中間出口で入力を早期に終了させることで推論効率を向上させる。 悪意のあるクラウドサービスプロバイダ(CSP)は、入力、中間状態、またはモデル出力にアクセスすることなく、推論レイテンシのみから個々のユーザ入力のセンシティブな特性を推測することができます。 この攻撃は、モデルサプライチェーンに対するCSPの制御を利用する。 配備前は、CSPは特別に製作されたマルチエグジットネットワークを提供しており、ターゲットの機密性を持つ入力は高い確率で指定された出口にルーティングされ、他の入力は他所から出力される。 サービス時には、CSPは、クエリ毎のレイテンシから出口指数を推測し、入力、出力、または内部モデル状態にアクセスせずに、各入力が対象プロパティを持つかどうかを決定する。 本稿では,エグジット間の信頼分布を制御し,早期終了を減らすために,選択ラベルの平滑化とエントロピー共分散最適化を組み合わせたトレーニングフレームワークを提案する。 10のターゲット特性にわたる4つのデータセットについて実験を行った。 その結果、強力な攻撃効果とステルスネスが示された。 この攻撃は、最強ベースラインの0.25に比べて平均F1スコアが0.73であり、メインタスクの精度は1.3\%以下に低下し、ほとんどの設定では推論スピードアップ劣化は0.1以下である。 私たちのコードはhttps://github.com/kazefjj/Weaponizing_the_Exit.comから入手可能です。

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)
• Trust-Aware Output Management for Physical Neural Network in Cloud-Continuum Systems [0.18907108368038217]
  異種PNNのための信頼度を考慮した出力管理フレームワークを提案する。 このフレームワークは、制御およびランダム化されたPNN出力モデルを用いて評価される。 その結果、起動後の信頼性管理により、エッジフォッグクラウドシステム間でのPNN出力の安全利用が向上することが示された。
  論文  参考訳（メタデータ） (2026-09-18T18:01:50Z)
• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• Cross-Domain Joint DDoS Detection in Multi-Controller SDN via Confidence-Based Entropy Fusion [25.130338995012252]
  マルチコントローラのSoftware-Defined Networking(SDN)では、Distributed Denial-of-Service(DDoS)攻撃は"分散ソース、集中ターゲット"パターンを示す。 生のトラフィックデータを共有せずにアグリゲーション・コントローラ決定を校正するクロスドメイン信頼融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:33:01Z)
• Driving up Inference Energy on SNNs: Per-Sample and Universal Sponge Attacks [0.0]
  スパイクニューラルネットワークは、密度の高いアクティベーションではなく、スパースなバイナリスパイクイベントを通じて通信する。 我々は、スポンジ攻撃は、推測時スパイク活動とシナプス的ワークロードを増加させることを示した。 ネイティブイベントベースのSNN入力に対して,最初のユニバーサルスポンジ攻撃を導入する。
  論文  参考訳（メタデータ） (2026-07-30T10:36:41Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)

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。