論文の概要: Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics

• arxiv url: http://arxiv.org/abs/2208.02724v1
• Date: Thu, 4 Aug 2022 15:46:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 13:13:35.754354
• Title: Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics
• Title（参考訳）: 未知チャネル統計に基づくRFフィンガープリント抽出のためのアンタングル表現学習
• Authors: Renjie Xie, Wei Xu, Jiabao Yu, Aiqun Hu, Derrick Wing Kwan Ng, and A. Lee Swindlehurst
• Abstract要約: 本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 77.13542705329328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) applied to a device's radio-frequency fingerprint~(RFF) has attracted significant attention in physical-layer authentications due to its extraordinary classification performance. Conventional DL-RFF techniques, trained by adopting maximum likelihood estimation~(MLE), tend to overfit the channel statistics embedded in the training dataset. This restricts their practical applications as it is challenging to collect sufficient training data capturing the characteristics of all possible wireless channel environments. To address this challenge, we propose a DL framework of disentangled representation learning~(DRL) that first learns to factor the input signals into a device-relevant component and a device-irrelevant component via adversarial learning. Then, it synthesizes a set of augmented signals by shuffling these two parts within a given training dataset for training of subsequent RFF extractor. The implicit data augmentation in the proposed framework imposes a regularization on the RFF extractor to avoid the possible overfitting of device-irrelevant channel statistics, without collecting additional data from unknown channels. Experiments validate that the proposed approach, referred to as DR-RFF, outperforms conventional methods in terms of generalizability to unknown complicated propagation environments, e.g., dispersive multipath fading channels, even though all the training data are collected in a simple environment with dominated direct line-of-sight~(LoS) propagation paths.
• Abstract（参考訳）: デバイスの高周波指紋-(rff)に適用される深層学習(dl)は、その異常な分類性能のため、物理層認証において大きな注目を集めている。 従来のDL-RFF技術は、最大推定値~(MLE)を用いて訓練され、トレーニングデータセットに埋め込まれたチャネル統計値に過度に適合する傾向にある。 これにより、可能なすべての無線チャネル環境の特性をキャプチャする十分なトレーニングデータ収集が困難であるため、実用的応用が制限される。 この課題に対処するために,我々は,まず入力信号をデバイス関連成分とデバイス関連成分に分解し,逆学習を通じてデバイス関連成分に分解する,ディエンタングル表現学習(drl)のdlフレームワークを提案する。 そして、後続のRFF抽出器を訓練するためのトレーニングデータセット内にこれらの2つの部分をシャッフルすることで、一連の拡張信号を生成する。 提案フレームワークにおける暗黙のデータ拡張は、未知のチャネルから追加のデータを集めることなく、デバイス非関連チャネル統計の過剰フィッティングを避けるために、rff抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、直接視線〜(LoS)伝搬経路が支配的な単純な環境において、分散マルチパスフェーディングチャネルなどの未知の複雑な伝搬環境への一般化可能性において、従来の手法よりも優れていることが示された。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Radio Frequency Fingerprinting via Deep Learning: Challenges and Opportunities [4.800138615859937]
  RFF(Radio Frequency Fingerprinting)技術は、製造時に導入された固有のハードウェア不完全性に基づいて、物理層における無線デバイスを認証することを約束する。 機械学習の最近の進歩、特にディープラーニング(DL)では、デバイス固有の指紋を構成する複雑な特徴を抽出し学習するRFFシステムの能力が改善されている。 本稿では,DL ベースの RFF システム構築において直面する重要事項と課題を体系的に同定し,分析する。
  論文  参考訳（メタデータ） (2023-10-25T06:45:49Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals [25.592568132720157]
  本稿では,IRS支援無線システムにおける直接チャネルとカスケードチャネルの両方を共同で推定するフェデレートラーニング(FL)フレームワークを提案する。 提案手法ではパイロット信号が約60%少なくなり,CLの12倍の伝送オーバヘッドが得られた。
  論文  参考訳（メタデータ） (2022-05-06T13:23:39Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)
• Random Fourier Feature Based Deep Learning for Wireless Communications [18.534006003020828]
  本稿では,RFFに基づく深層学習の有効性を解析的に定量化する。 新しい分散依存RFFが提案され、トレーニングの複雑さの低いDLアーキテクチャが促進される。 提案したすべてのシミュレーションにおいて,提案した分布依存型RFFはRFFよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-01-13T18:39:36Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)

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。