本サイトは 12 時間以上更新されていません（通常は 3 時間ごと）。以下の内容は最新でない可能性があります。
このページに条件に合う項目はありません（絞り込みはこのページ内のみ）。
説明拡散モデルにおけるメンバーシップ推論のための時間方向の難易度校正
要約本論文は、拡散モデルに対するメンバーシップ推論攻撃を扱います。再構成損失だけでは、もともと再構成しやすい画像が誤って訓練データと判定されることがあるため、画像の難易度を補正する必要があると指摘しています。提案手法は、微調整モデルと以前のチェックポイントの損失を比較する参照モデル校正（RMC）と、同一モデルの隣接する拡散時刻の損失を用いる時間的自己校正（TSC）です。著者らは、これらが既存手法を大きく上回り、x、v、ε予測など異なるパラメータ化のモデルにも一般化すると報告しています。
説明TextSeal2：Copula混合と無記憶レースによる無歪み大規模言語モデル透かし
要約本論文は、大規模言語モデル向けの無歪み透かし手法TextSeal2を提案する。投機的デコーディング下でも透かし信号を保ち、接受率は変わらず、出力の多様性を維持し、測定可能な推論遅延は増やさない。複数の鍵を一つの仮想鍵に統合し、AutoMarkのガウスCopulaで新しいノイズと結合する。三つの大規模言語モデルでの評価では、同じ出力多様性の下でTextSeal より高い検出率を示した。
説明ブロック依存型プール報酬方式下の電力調整ゲーム
要約本論文は、FAWとPAWを特殊例として含む電力調整型ブロック保留攻撃T-PAWを、実際に用いられている三つのブロック依存型報酬方式、すなわちPPLNS、ラウンド単位のPROP、指数減衰のEXPの下で分析する。また、ブロックを一切保留せず、ラウンドのブロック経過時間に応じてプールへの電力配分を調整する電力調整ホッピング攻撃（PAH）を提案し、PROPとEXPの下での収益比率を導出する。解析結果はモンテカルロシミュレーションで検証されており、PROPはPAHに最も脆弱で、PPLNSは最も脆弱性が低いことが示されている。
注目点新規性はブロック依存の支払い方式下での電力調整攻撃とPAHの提案にあり、作者は収益比を解析的に導出しモンテカルロ法で検証したと報告している。
説明エッジLLM最適化のプライバシーとセキュリティリスク
要約本論文は、大規模言語モデルをエッジ端末に配備する際に用いる最適化技術を扱っています。これらの技術はメモリ、計算量、エネルギーの消費を抑えることを目的としています。著者は、タスク性能を維持しても安全性が維持されるとは限らないと指摘し、最適化が表現、意思決定の経路、信頼境界を変化させ、セキュリティのずれと最適化に起因する攻撃面を生じさせうると論じています。
説明巻き戻しによる効率的なスケーラブルな監督
要約弱い検証者が、より強力なAIシステムによる計算結果を確認する方法を扱った論文です。検証者が証明者を交互作用の過去の状態に巻き戻して続行できる、新しい対話型証明モデル「巻き戻し可能な対話型証明（RIP）」を提案しています。少数のオラクル回答の変化に頑健な計算について、暗号技術を用いない相対化RIPを構築し、証明者が正直であることを仮定しない従来の方法より効率的であることを示しています。MNISTを用いた予備実験も報告されています。
説明RecHash：有状態の逐次認証のための分割ハッシュ絡み合いチェーン
要約本論文は、成対のハッシュチェーン開示と認証付きレコード履歴に基づく有状態の逐次認証構成 RecHash を提案する。2019 年のハッシュ絡み合い構成の位置関係を発展させ、各レコードを事前に定めたチェーンセグメントに割り当て、相補的な位置で摘要の各ブロックを符号化する。分割された状態遷移、具体的な実行例、割り当てと資源の結果を示し、認証された履歴と適応的一段階保証を前提に、更新を含まない安全性の合成定理を与えている。
説明連続生体認証のための深層学習に基づく行動ドリフトのモデル化
要約本論文は、二段階のキーストローク・ダイナミクス認証システムを提案している。第一段階では、時間畳み込みネットワーク（TCN）に対照学習と集団ベース学習（PBT）を組み合わせ、固定文字列のパスワードを認証し、等誤り率は3.77%である。認証後の第二段階では、四モデルの深層学習アンサンブルで自由入力中の行動変化を継続的に監視する。不審な行動ドリフトが検出された場合は第一段階に戻って再認証を行う。自由入力部分の等誤り率は10.05%である。
説明LLMにおけるロール偽装の理解と緩和
要約本論文は、大規模言語モデルが会話の中で「誰が何を言ったか」をどのように判断するかを研究しています。モデルは内容（意味や文体）と構造（制御トークンや書式）の両方の手がかりを使うため、偽の構造と内容を組み合わせたロール偽装攻撃に弱いことを示しています。内容ベースの注入を無視するよう学習させると内容攻撃は緩和されるものの、構造ベースの攻撃には依然として脆弱であると報告しています。また、会話の役割を予測する線形プローブを用いた検出手法を提案し、複数の設定で有効だとしています。