論文の概要: Examining Machine Learning for 5G and Beyond through an Adversarial Lens
- arxiv url: http://arxiv.org/abs/2009.02473v1
- Date: Sat, 5 Sep 2020 06:30:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 21:09:37.548879
- Title: Examining Machine Learning for 5G and Beyond through an Adversarial Lens
- Title（参考訳）: 逆レンズを用いた5G以上の機械学習の検討
- Authors: Muhammad Usama, Rupendra Nath Mitra, Inaam Ilahi, Junaid Qadir, and
Mahesh K. Marina
- Abstract要約: 我々は,複数種類のMLにまたがる対角次元を強調することにより,5GコンテキストにおけるAI/MLの使用に関する注意深い視点を示す。
また、この敵対的MLリスクを軽減するためのアプローチについて議論し、MLモデルの堅牢性を評価するためのガイドラインを提案し、5GにおけるML指向研究を取り巻く問題に注意を向ける。
- 参考スコア（独自算出の注目度）: 3.2410256314561092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spurred by the recent advances in deep learning to harness rich information
hidden in large volumes of data and to tackle problems that are hard to
model/solve (e.g., resource allocation problems), there is currently tremendous
excitement in the mobile networks domain around the transformative potential of
data-driven AI/ML based network automation, control and analytics for 5G and
beyond. In this article, we present a cautionary perspective on the use of
AI/ML in the 5G context by highlighting the adversarial dimension spanning
multiple types of ML (supervised/unsupervised/RL) and support this through
three case studies. We also discuss approaches to mitigate this adversarial ML
risk, offer guidelines for evaluating the robustness of ML models, and call
attention to issues surrounding ML oriented research in 5G more generally.
- Abstract（参考訳）: 大量のデータに隠されたリッチな情報を活用し、モデル化や解決が難しい問題(例えばリソース割り当ての問題)に取り組むディープラーニングの最近の進歩によって、現在モバイルネットワーク領域では、5g以降のデータ駆動ai/mlベースのネットワーク自動化、制御、分析の変革可能性に関する大きな興奮が起きている。
本稿では,複数種類のML(教師/監督/監督/RL)にまたがる対角次元を強調することで,5GコンテキストにおけるAI/MLの使用に関する注意深い視点を示し,これを3つのケーススタディを通して支援する。
また、この敵対的MLリスクを軽減するためのアプローチについて議論し、MLモデルの堅牢性を評価するためのガイドラインを提供し、5GにおけるML指向研究を取り巻く問題に注意を向ける。
関連論文リスト
- MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。
ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。
3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
論文 参考訳（メタデータ） (2024-07-18T00:58:41Z) - A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。
Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。
RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
論文 参考訳（メタデータ） (2024-05-10T02:48:45Z) - Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。
電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす
安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文 参考訳（メタデータ） (2023-08-30T03:29:26Z) - Learn to Unlearn: A Survey on Machine Unlearning [29.077334665555316]
本稿では,最近の機械学習技術,検証機構,潜在的攻撃について概説する。
新たな課題と今後の研究方向性を強調します。
本稿では、プライバシ、エクイティ、レジリエンスをMLシステムに統合するための貴重なリソースの提供を目的としている。
論文 参考訳（メタデータ） (2023-05-12T14:28:02Z) - Review on the Feasibility of Adversarial Evasion Attacks and Defenses
for Network Intrusion Detection Systems [0.7829352305480285]
最近の研究は、サイバーセキュリティ分野における多くの懸念を提起している。
機械学習アルゴリズムに基づくセキュリティシステムに対する攻撃の可能性について研究する研究者が増えている。
論文 参考訳（メタデータ） (2023-03-13T11:00:05Z) - Wild Networks: Exposure of 5G Network Infrastructures to Adversarial
Examples [1.491109220586182]
5Gネットワークは、最適なQuality of Service(QoS)を確保しながら、数十億の異種デバイスをサポートする必要がある。
5Gコンテキストは、既存の脅威モデルでは形式化できない別の種類の敵ML攻撃に晒される。
本稿では,特に5Gシナリオに適した新しいML脅威モデルを提案する。
我々の攻撃は、トレーニングと推論の段階の両方に影響し、最先端のMLシステムの性能を低下させ、以前の攻撃よりも低い侵入障壁を持つことができる。
論文 参考訳（メタデータ） (2022-07-04T15:52:54Z) - A Survey on Machine Learning-based Misbehavior Detection Systems for 5G
and Beyond Vehicular Networks [4.410803831098062]
V2Xと5Gを統合することで、超低レイテンシと高信頼性のV2X通信が可能になった。
攻撃はより攻撃的になり、攻撃者はより戦略的になった。
多くのV2XMisbehavior Detection Systems (MDS)がこのパラダイムを採用している。
しかし、これらのシステムを分析することは研究のギャップであり、効果的なMLベースのMDSを開発することは依然として未解決の問題である。
論文 参考訳（メタデータ） (2022-01-25T17:48:57Z) - Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。
一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。
我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文 参考訳（メタデータ） (2021-06-09T05:56:42Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳（メタデータ） (2021-04-29T09:54:54Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳（メタデータ） (2021-03-02T22:50:45Z)
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。