論文の概要: Low-Interception Waveform: To Prevent the Recognition of Spectrum
Waveform Modulation via Adversarial Examples
- arxiv url: http://arxiv.org/abs/2201.08731v1
- Date: Thu, 20 Jan 2022 08:13:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 15:04:53.660514
- Title: Low-Interception Waveform: To Prevent the Recognition of Spectrum
Waveform Modulation via Adversarial Examples
- Title（参考訳）: 低入力波形:逆例によるスペクトル波形変調の認識を防止する
- Authors: Haidong Xie, Jia Tan, Xiaoying Zhang, Nan Ji, Haihua Liao, Zuguo Yu,
Xueshuang Xiang, Naijin Liu
- Abstract要約: 本稿では,第3者によって認識される変調の確率を,友好者間の信頼性の高い通信に影響を与えることなく低減できる低応答波形(LIW)生成法を提案する。
我々のLIWは,物理ハードウェア実験においても高い低入力性能を示し,その精度を15%程度まで下げることができた。
- 参考スコア（独自算出の注目度）: 6.378498479725599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning is applied to many complex tasks in the field of wireless
communication, such as modulation recognition of spectrum waveforms, because of
its convenience and efficiency. This leads to the problem of a malicious third
party using a deep learning model to easily recognize the modulation format of
the transmitted waveform. Some existing works address this problem directly
using the concept of adversarial examples in the image domain without fully
considering the characteristics of the waveform transmission in the physical
world. Therefore, we propose a low-intercept waveform~(LIW) generation method
that can reduce the probability of the modulation being recognized by a third
party without affecting the reliable communication of the friendly party. Our
LIW exhibits significant low-interception performance even in the physical
hardware experiment, decreasing the accuracy of the state of the art model to
approximately $15\%$ with small perturbations.
- Abstract（参考訳）: 深層学習は、その利便性と効率性から、スペクトル波形の変調認識など、無線通信の分野における多くの複雑なタスクに適用される。
これにより、送信波形の変調形式を容易に認識する深層学習モデルを用いた悪意のある第三者が問題となる。
既存の作品の中には、物理的世界の波形伝達の特性を十分に考慮せずに、画像領域における逆例の概念を直接使用してこの問題に対処しているものもある。
そこで,親しい相手の信頼できるコミュニケーションに影響を与えることなく,第三者が認識している変調の確率を低減できる低入力波形〜(liw)生成法を提案する。
このliwは,物理ハードウェア実験においてもかなりの低入力性能を示し,小さな摂動を伴い,アートモデルの精度を約15-%$に低下させた。
関連論文リスト
- WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。
我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文 参考訳（メタデータ） (2024-07-18T04:36:10Z) - Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。
提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
論文 参考訳（メタデータ） (2024-03-18T21:07:57Z) - WaveletFormerNet: A Transformer-based Wavelet Network for Real-world
Non-homogeneous and Dense Fog Removal [11.757602977709517]
本稿では,現実の霧画像回復のためのトランスフォーマーベースのウェーブレットネットワーク(WaveletFormerNet)を提案する。
トランスフォーマーブロックに並列畳み込みを導入し、軽量な機構で多周波情報のキャプチャを可能にする。
我々の実験は、WaveletFormerNetが最先端の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2024-01-09T13:42:21Z) - Waveform Manipulation Against DNN-based Modulation Classification Attacks [2.8475397246467575]
本稿では,無線通信信号の変調学習にDeep Neural Network (DNN) を用いた盗聴者に対する防御手法を提案する。
本手法は,変調データと混合した連続時間周波数変調(FM)難読化信号を用いて出力波形を操作することに基づく。
その結果, 難聴波形のパラメータを慎重に選択することで, AWGNでは10%未満に, LRxでは性能損失が無く, フェーディングチャネルでは10%以下に分類性能を低下させることができることがわかった。
論文 参考訳（メタデータ） (2023-10-03T09:03:34Z) - WaveNeRF: Wavelet-based Generalizable Neural Radiance Fields [149.2296890464997]
我々は、ウェーブレット周波数分解をMVSとNeRFに統合したWaveNeRFを設計する。
WaveNeRFは、3つの画像のみを入力として与えたときに、より優れた一般化可能な放射場モデリングを実現する。
論文 参考訳（メタデータ） (2023-08-09T09:24:56Z) - High Fidelity 3D Hand Shape Reconstruction via Scalable Graph Frequency
Decomposition [77.29516516532439]
周波数分割ネットワークを設計し,周波数帯域の異なる3次元ハンドメッシュを粗い方法で生成する。
高周波パーソナライズされた詳細を捉えるため、3Dメッシュを周波数領域に変換し、新しい周波数分解損失を提案する。
提案手法は高忠実度3次元手指再建のための微細な細部情報を生成する。
論文 参考訳（メタデータ） (2023-07-08T19:26:09Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - Wavelet-based Loss for High-frequency Interface Dynamics [30.246577036044332]
本稿では,ウェーブレット損失の定式化に基づく新しい手法を提案する。
本手法は, 実測的な合成テストケースにおいて, 高周波の細部を再現できることを示す。
また, 物理シミュレーションに基づいて, より複雑な面に適用した場合の性能評価を行った。
論文 参考訳（メタデータ） (2022-09-06T09:09:14Z) - Wave-ViT: Unifying Wavelet and Transformers for Visual Representation
Learning [138.29273453811945]
マルチスケールビジョントランス (ViT) はコンピュータビジョンタスクの強力なバックボーンとして登場した。
本稿では,ウェーブレット変換と自己注意学習を用いて,可逆的なダウンサンプリングを定式化する新しいウェーブレットビジョン変換器(textbfWave-ViT)を提案する。
論文 参考訳（メタデータ） (2022-07-11T16:03:51Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z)
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。