Fugu-MT 論文翻訳(概要): The Privacy and Security Risks of Edge LLM Optimization

論文の概要: The Privacy and Security Risks of Edge LLM Optimization

arxiv url: http://arxiv.org/abs/2610.40543v1
Date: Thu, 29 Oct 2026 17:36:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 06:45:04.399919
Title: The Privacy and Security Risks of Edge LLM Optimization
Title（参考訳）: エッジLLM最適化のプライバシとセキュリティリスク
Abstract要約: 大規模言語モデルのエッジ展開には、メモリ、計算、エネルギーコストを削減できる最適化技術が必要である。我々は、最適化は表現、決定経路、信頼境界を変更する情報変換であると主張する。
参考スコア（独自算出の注目度）: 11.318851131631154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge deployment of Large Language Models requires optimization techniques that reduce memory, computation, and energy costs. However, preserving task performance does not necessarily preserve security. We argue that optimization is an information transformation that can alter representations, decision pathways, and trust boundaries, creating security drift and optimization-induced attack surfaces.
Abstract（参考訳）: 大規模言語モデルのエッジ展開には、メモリ、計算、エネルギーコストを削減できる最適化技術が必要である。しかし、タスクパフォーマンスの保存はセキュリティを必ずしも保持するとは限らない。我々は、最適化は情報変換であり、表現、決定経路、信頼境界を変更し、セキュリティドリフトと最適化による攻撃面を生成することができると論じている。

関連論文リスト

Securing LLMs in the Wild: Privacy and Security Challenges at the Edge [10.727102755903617]
大規模言語モデル(LLM)は、研究環境から、エンタープライズインフラストラクチャ、パーソナルデバイス、エッジプラットフォームにデプロイされた野生のものに急速に移行しています。このシフトは、量子化、プルーニング、モデルのパーティショニング、パラメータ効率の適応など、限られた計算力とメモリ力によるアグレッシブな最適化という、新たなセキュリティとプライバシの課題を導入している。メモリウォール,クアドラティックウォール,コンピュートウォールという,3つのアーキテクチャ上の制約を中心に構成された,デプロイメント中心の分類を導入します。このモデルに基づいて、安全操作効率スコア(SOES)を提案する。これは、タスクの正確性、ジェイルブレイク耐性、およびエネルギー、メモリ、およびプライバシに対するプライバシーの総合的なバランスをとる指標である。
論文参考訳（メタデータ） (2026-07-13T16:45:04Z)
Zero-order Parameter-free Optimization for LMO-based Methods: Novel Approach for Efficient Fine-tuning [46.539149169728624]
大規模な微調整の大きな障害は、バックプロパゲーションのメモリオーバーヘッドである。 $texttAdaNAGED$は、勾配なしトレーニング、適応チューニング、非ユークリッド更新幾何学を統一するメソッドである。
論文参考訳（メタデータ） (2026-06-12T21:46:54Z)
Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
論文参考訳（メタデータ） (2026-05-01T14:45:20Z)
Revisiting Robustness for LLM Safety Alignment via Selective Geometry Control [55.366871033602145]
我々は、ロバストネスの失敗はデータ中心の手法だけでは対処できないと主張している。幾何を考慮した選好最適化フレームワークShaPOを提案する。 ShaPOはアライメントクリティカルパラメータ部分空間を選択的に制御することで、最悪のアライメント目的を強制する。
論文参考訳（メタデータ） (2026-02-07T03:46:33Z)
Curvature-Aware Safety Restoration In LLMs Fine-Tuning [25.423475514922725]
下流タスクのための微調整大型言語モデル(LLM)は、しばしば安全性を損なう。影響関数と2階最適化を利用する曲率対応アライメント復元法を提案する。提案手法は, 実用性を維持しつつ, 学習性能を向上しながら, 有害な応答を効率的に低減する。
論文参考訳（メタデータ） (2025-11-22T12:33:31Z)
Survival of the Safest: Towards Secure Prompt Optimization through Interleaved Multi-Objective Evolution [1.8814321586521556]
SoS(Survival of the Safest)は、革新的な多目的プロンプト最適化フレームワークである。これは、大きな言語モデルにおけるパフォーマンスとセキュリティの両方を同時に強化する。 SoSは、複雑な高次元の離散探索空間における最適化を高速化するスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2024-10-12T21:16:29Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
When Evolutionary Computation Meets Privacy [33.38530737746583]
進化的計算とプライバシー保護が組み合わさって新たな話題になりつつある進化的計算におけるプライバシーに関する懸念は、特に対象、モチベーション、位置、およびプライバシー保護の方法に関して、体系的な探索を欠いている。本稿では,3つの最適化パラダイムにおいて,プライバシ保護の目的とモチベーションを特徴付けるためにBOOMを採用する。
論文参考訳（メタデータ） (2023-03-22T15:22:15Z)
Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文参考訳（メタデータ） (2022-10-03T08:38:38Z)

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。