JASPER: Special Session on Joint Reliability And Security Assessment of SPlit Computing for Edge Robustness
分割计算（Split Computing, SC）通过在边缘设备与云服务器之间切分深度神经网络（DNN）推理来降低端侧算力与延迟压力，但切分点处传输的中间特征表示同时暴露于两类风险：其一是硬件故障（如瞬态位翻转、软错误）导致的推理精度退化，
#model-compression
共收录 6 条相关情报。
← 返回所有主题Input-Layer Starvation: Why Per-Layer Pruning Breaks IoT Intrusion Detectors
该论文（cs.LG，作者 Md Anas Biswas）研究 IoT 入侵检测模型在剪枝压缩后出现的隐蔽失效问题。背景是：面向资源受限的小型 IoT 设备的入侵检测器通常通过剪枝压缩，并以整体准确率（overall accuracy）作为唯
AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders
该论文研究面向部署的模型压缩是否会改变脑机接口（BCI）中 EEG 解码器的对抗脆弱性，这一问题在资源受限的可穿戴/边缘 BCI 场景中尚未有明确结论。作者在 BCI Competition IV-2a 数据集上，对 32 位浮点（FP32
Reliable Federated TinyML Deployment for IoT Security
该论文研究如何在资源受限的物联网（IoT）设备上部署既保护隐私又具备实用检测能力的入侵检测系统。研究背景是：IoT 设备大规模铺开，使得在设备本地直接运行入侵检测成为刚需，因为把原始流量送到云端既涉及隐私合规问题，也受带宽与延迟限制。联邦学
Understanding Fault Tolerance of Adversarially Robust Pruned Models
本文针对深度神经网络（DNN）在资源受限的神经形态硬件上部署时面临的三个并发挑战——剪枝压缩、对抗输入扰动和硬件故障（如stuck-at-zero权重错误）——进行了系统的实证研究。尽管这些因素在已有文献中均被单独探讨，但它们的联合效应尚未
Securing LLMs in the Wild: Privacy and Security Challenges at the Edge
该论文聚焦于大语言模型（LLM）从云端向边缘设备（如企业本地服务器、个人终端、物联网平台）迁移过程中面临的安全与隐私挑战。作者指出，边缘环境下有限的计算和内存资源迫使开发者采用量化、剪枝、模型分区、参数高效微调等优化技术，但这些技术可能引入