論文の概要: Improving Radioactive Material Localization by Leveraging Cyber-Security Model Optimizations

• arxiv url: http://arxiv.org/abs/2202.10387v1
• Date: Mon, 21 Feb 2022 17:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 12:20:23.506745
• Title: Improving Radioactive Material Localization by Leveraging Cyber-Security Model Optimizations
• Title（参考訳）: サイバーセキュリティモデル最適化による放射性物質局在の改善
• Authors: Ryan Sheatsley, Matthew Durbin, Azaree Lintereur, Patrick McDaniel
• Abstract要約: 現在の検出方法はコストがかかり、使用が遅く、複雑、変化、あるいは新しい環境では不正確であることが多い。 マルウェア検出などのサイバードメインで成功した機械学習手法が、物理的空間検出を大幅に強化するためにどのように活用できるかを示す。 MLに基づくアプローチは、角方向の予測において従来のテーブルベースのアプローチをはるかに上回ることを示す。
• 参考スコア（独自算出の注目度）: 1.2835555561822447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the principal uses of physical-space sensors in public safety applications is the detection of unsafe conditions (e.g., release of poisonous gases, weapons in airports, tainted food). However, current detection methods in these applications are often costly, slow to use, and can be inaccurate in complex, changing, or new environments. In this paper, we explore how machine learning methods used successfully in cyber domains, such as malware detection, can be leveraged to substantially enhance physical space detection. We focus on one important exemplar application--the detection and localization of radioactive materials. We show that the ML-based approaches can significantly exceed traditional table-based approaches in predicting angular direction. Moreover, the developed models can be expanded to include approximations of the distance to radioactive material (a critical dimension that reference tables used in practice do not capture). With four and eight detector arrays, we collect counts of gamma-rays as features for a suite of machine learning models to localize radioactive material. We explore seven unique scenarios via simulation frameworks frequently used for radiation detection and with physical experiments using radioactive material in laboratory environments. We observe that our approach can outperform the standard table-based method, reducing the angular error by 37% and reliably predicting distance within 2.4%. In this way, we show that advances in cyber-detection provide substantial opportunities for enhancing detection in public safety applications and beyond.
• Abstract（参考訳）: 公共安全用途における物理空間センサーの主な用途の1つは、安全でない状態(例えば、有毒ガスの放出、空港での兵器、汚染食品)の検出である。 しかしながら、これらのアプリケーションにおける現在の検出方法はコストがかかり、使用が遅く、複雑、変化、あるいは新しい環境で不正確であることが多い。 本稿では,マルウェア検出などのサイバードメインで有効な機械学習手法を用いて,物理的空間検出を効果的に向上させる方法について検討する。 放射性物質の検出と局在化という,重要な応用事例の1つに注目する。 MLに基づくアプローチは、角方向の予測において従来のテーブルベースのアプローチを大きく上回ることを示す。 さらに、開発されたモデルは、放射性物質との距離(実際には参照テーブルが捉えない臨界次元)の近似を含むように拡張することができる。 4つの検出器アレイと8つの検出器アレイで、放射性物質をローカライズする一連の機械学習モデルの特徴としてガンマ線を収集する。 放射線検出に頻繁に使用されるシミュレーションフレームワークと,実験室環境における放射性物質を用いた物理実験を用いて,7つのシナリオを探索する。 提案手法は標準的なテーブルベースの手法よりも優れており,角誤差が37%減少し,2.4%以内の距離を確実に予測できる。 このようにして、サイバー検出の進歩は、公共安全アプリケーションなどにおける検出の強化にかなりの機会をもたらすことを示す。

関連論文リスト

• Detectors for Safe and Reliable LLMs: Implementations, Uses, and Limitations [76.19419888353586]
  大規模言語モデル(LLM)は、不誠実なアウトプットからバイアスや有害な世代に至るまで、さまざまなリスクを受けやすい。 我々は,様々な害のラベルを提供するコンパクトで容易に構築できる分類モデルである,検出器のライブラリを作成し,展開する取り組みについて述べる。
  論文  参考訳（メタデータ） (2024-03-09T21:07:16Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• CADeSH: Collaborative Anomaly Detection for Smart Homes [17.072108188004396]
  本稿では,2段階の協調的異常検出手法を提案する。 最初はオートエンコーダを使用して、頻繁な(良性)と頻繁な(悪意のある)トラフィックフローを区別する。 クラスタリングは、希少なフローのみを分析し、それを既知の('rare yet beign')または未知の(malicious')として分類する。
  論文  参考訳（メタデータ） (2023-03-02T07:22:26Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Radio-Assisted Human Detection [61.738482870059805]
  本稿では,無線情報を最先端検出手法に組み込んだ無線支援人体検知フレームワークを提案する。 我々は、人検出を支援するために、無線信号から無線の局部化と識別情報を抽出する。 シミュレーション可能なMicrosoft COCOデータセットとCaltechの歩行者データセットの実験では、平均平均精度(mAP)とミスレートが、無線情報を用いて改善できることが示されている。
  論文  参考訳（メタデータ） (2021-12-16T09:53:41Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• A Distance-based Anomaly Detection Framework for Deep Reinforcement Learning [33.623558899286635]
  深層強化学習(RL)システムでは、異常な状態が予測不能な行動や安全でない行動を引き起こす可能性があり、重大なリスクを引き起こす。 深部RLアルゴリズムのための新しいMahalanobis distance-based anomaly detection framework, textitMDXを提案する。 MDXは、オフラインとオンラインの両方の設定において、ランダム、逆境、およびアウト・オブ・ディストリビューション(OOD)状態のアウトレイラに同時に対処する。
  論文  参考訳（メタデータ） (2021-09-21T00:09:03Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。