密码分析结合标签蒸馏提取神经网络参数

一项 arXiv 研究（论文 2610.33671）提出将密码分析的权重方向提取与基于预测标签的学习结合，用于重建全连接神经网络，并把针对 ReLU 的提取方法改造适配 Leaky ReLU。实验属于有辅助的提取，需特权访问梯度、隐藏激活和受害模型参数，之后再进行基于标签的重建。 结果显示，在最大合成架构的 8 个搜索种子上，Leaky ReLU 在最深层隐藏层恢复 51–57 个神经元，而 ReLU 为零，但该优势并非在所有架构和层都成立。在两个 CIFAR-10 受害模型上，重建模型分别达到 56.40% 和 58.29% 的一致率，并在三个功能性指标上超过蒸馏基线。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。