論文の概要: Binarization as an Attack Surface in Weightless Neural Networks
- arxiv url: http://arxiv.org/abs/2611.17646v1
- Date: Fri, 13 Nov 2026 01:34:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.289063
- Title: Binarization as an Attack Surface in Weightless Neural Networks
- Title(参考訳): 重みのないニューラルネットワークにおける攻撃面としてのバイナリ化
- Abstract要約: We study the tension in WiSARD, the canonical RAM-based WNN and in twovariants that replaced memory with Bloom filters。
我々はこの機構を標準WiSARDのしきい値交差境界と応答証明書で定式化する。
各モデルを固定したままエンコーディングだけを変更すると、エンコーディングが小さなクリーンな精度の損失と引き換えに、攻撃の成功が大幅に減少することを示している。
- 参考スコア(独自算出の注目度): 3.877602255207929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weightless Neural Networks (WNNs) are lightweight classifiers that binarize their inputs and learn by storing binary patterns in lookup memories, which makes them attractive for resource-constrained tasks such as intrusion detection. Because a small perturbation that crosses no binarization threshold leaves the binary input unchanged, WNNs may appear naturally robust to adversarial examples; a perturbation that does cross a threshold, however, can still change the prediction. We study this tension in WiSARD, the canonical RAM-based WNN, and in two variants that replace its memories with Bloom filters, Bloom WiSARD and BTHOWeN. A continuous perturbation reaches these classifiers only by crossing an encoding threshold, changing at least one binary tuple, and redirecting a memory query; we formalize this mechanism with a threshold-crossing bound and a response-margin certificate for standard Boolean WiSARD. Controlled MNIST experiments compare linear and data-driven thermometer encodings under model-agnostic sensitivity probes, a score-based Simulated Annealing attack, and surrogate-transfer attacks. Changing only the encoding while keeping each model otherwise fixed shows that encoding granularity can trade a small clean-accuracy loss for a large decrease in attack success. On the Bot-IoT, CICIDS, and UNSW-NB15 intrusion-detection datasets, adversarial perturbations lead WNN detectors to classify many attacks as normal traffic and to raise false alarms, even when their aggregate accuracy remains high.
- Abstract(参考訳): ウェイトレスニューラルネットワーク(WNN)は、入力をバイナライズし、ルックアップメモリにバイナリパターンを格納することで学習する軽量な分類器である。
二項化しきい値を超えた小さな摂動は二項入力をそのまま残すため、WNNは自然に敵の例に頑健に見える。
我々は、標準RAMベースのWNNであるWiSARDと、そのメモリをBloomフィルタ、Bloom WiSARD、BTHOWeNに置き換えた2つの変種について、この緊張関係について研究する。
連続摂動は、符号化しきい値を横断し、少なくとも1つのバイナリタプルを変更し、メモリクエリをリダイレクトすることでのみ、これらの分類器に到達する。
制御されたMNIST実験は、モデルに依存しない感度プローブ、スコアベースのシミュレート・アニーリング攻撃、サロゲート・トランスファー攻撃の下での線形およびデータ駆動温度計エンコーディングを比較する。
各モデルを固定したままコードだけを変更すると、エンコーディングの粒度が小さなクリーン精度の損失と引き換えに、攻撃成功の大幅な減少が示される。
Bot-IoT、CICIDS、UNSW-NB15侵入検出データセットでは、敵の摂動によってWNN検出器が通常のトラフィックとして多くの攻撃を分類し、集約精度が高い場合でも誤警報を発生させる。
関連論文リスト
- DeepWeave: Weaving Neural and Symbolic Evidence for ML-Based Network Intrusion Detection System [40.234171569829236]
本稿では,ニューロシンボリックネットワーク侵入検知システム(NIDS)のDeepWeaveについて述べる。
複数のデータセットにわたって、DeepWeaveは低データ検出、偽陽性制御、転送性、堅牢性を改善している。
これらの結果から, ラベル効率, 適応性, 検査可能なニューロシンボリックな侵入検出が可能となった。
論文 参考訳(メタデータ) (2026-10-30T10:38:02Z) - NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。
NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
論文 参考訳(メタデータ) (2026-03-09T20:13:51Z) - Information-Bottleneck Driven Binary Neural Network for Change Detection [53.866667209237434]
Binarized Change Detection (BiCD) は、変更検出用に設計された最初のバイナリニューラルネットワーク(BNN)である。
Information Bottleneck (IB) の原則に基づく補助的目的を導入し,本質的な入力情報を保持するようにエンコーダを誘導する。
BiCDは、BNNベースの変更検出のための新しいベンチマークを確立し、この領域で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2025-07-04T11:56:16Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。
本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文 参考訳(メタデータ) (2024-11-30T17:05:12Z) - Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。
コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文 参考訳(メタデータ) (2024-07-15T16:12:51Z) - Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial
Detection [22.99930028876662]
畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。
現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。
本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
論文 参考訳(メタデータ) (2022-12-13T17:51:32Z) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳(メタデータ) (2021-02-21T03:13:27Z)
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。