論文の概要: Counter-Adversarial Learning with Inverse Unscented Kalman Filter
- arxiv url: http://arxiv.org/abs/2210.00359v1
- Date: Sat, 1 Oct 2022 20:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:12:09.118192
- Title: Counter-Adversarial Learning with Inverse Unscented Kalman Filter
- Title(参考訳): Inverse Unscented Kalman Filter による対逆学習
- Authors: Himali Singh, Kumar Vijay Mishra and Arpan Chattopadhyay
- Abstract要約: 未知のカルマンフィルタ(UKF)による逆推定
逆UKFは敵と守備の両方で知られている。
実験により、IUKFの推定誤差は収束し、Clam'er-Rao の下界に密接に従うことが示された。
- 参考スコア(独自算出の注目度): 18.244578289687123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to infer the strategy of an intelligent attacker, it is desired for
the defender to cognitively sense the attacker's state. In this context, we aim
to learn the information that an adversary has gathered about us from a
Bayesian perspective. Prior works employ linear Gaussian state-space models and
solve this inverse cognition problem through the design of inverse stochastic
filters. In practice, these counter-adversarial settings are highly nonlinear
systems. We address this by formulating the inverse cognition as a nonlinear
Gaussian state-space model, wherein the adversary employs an unscented Kalman
filter (UKF) to estimate our state with reduced linearization errors. To
estimate the adversary's estimate of us, we propose and develop an inverse UKF
(IUKF), wherein the system model is known to both the adversary and the
defender. We also derive the conditions for the stochastic stability of IUKF in
the mean-squared boundedness sense. Numerical experiments for multiple
practical system models show that the estimation error of IUKF converges and
closely follows the recursive Cram\'{e}r-Rao lower bound.
- Abstract(参考訳): 知的攻撃者の戦略を推測するためには、防御者が攻撃者の状態を認知的に把握することが望ましい。
この文脈では、ベイズの観点から敵が収集した情報を学習することを目的としている。
先行研究では線形ガウス状態空間モデルを採用し、逆確率フィルタの設計によりこの逆認知問題を解く。
実際、これらの対向的な設定は高度に非線形なシステムである。
我々は、逆認知を非線形ガウス状態空間モデルとして定式化することでこの問題に対処する。
敵の我々の推定を推定するために、システムモデルは敵と守備側の双方で知られている逆ukf(iukf)を提案し、開発する。
また、平均二乗有界感におけるIUKFの確率安定性の条件も導出する。
複数の実用システムモデルに対する数値実験により、 iukf の推定誤差が収束し、再帰的 cram\'{e}r-rao 下界に密接に従うことが示された。
関連論文リスト
- Spectrum-Aware Adjustment: A New Debiasing Framework with Applications
to Principal Component Regression [1.5863809575305419]
我々は高次元線形回帰のための新しいデバイアス化フレームワークを導入する。
特徴量とサンプルの数が大小を問わず比較できるような,一般的な設定について検討する。
本手法は,自由度デバイアスをマージンで上回ることを示す。
論文 参考訳(メタデータ) (2023-09-14T15:58:30Z) - Inverse Unscented Kalman Filter [18.244578289687123]
認知的敵はカルマンフィルタ(KF)のようなフレームワークを介して関心の対象を追跡する
ターゲットまたはディフェンダー'は別の逆フィルタを用いて、相手が計算したディフェンダーのフォワードフィルタ推定を推測する。
本稿では,非線形系力学に着目し,逆KFを定式化し,線形化誤差を低減したディフェンダの状態の推定を行う。
論文 参考訳(メタデータ) (2023-04-04T10:51:43Z) - Inverse Cubature and Quadrature Kalman filters [18.244578289687123]
多くの対逆的設定は、EKFの線形化がしばしば失敗する、高度に非線形なシステムモデルを含む。
逆立方体KF(I-CKF)と逆立方体KF(I-QKF)を開発する。
指数平均二乗有界感におけるフィルタの安定性条件を導出する。
論文 参考訳(メタデータ) (2023-03-18T03:48:39Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - Inverse Extended Kalman Filter -- Part II: Highly Non-Linear and
Uncertain Systems [18.244578289687123]
本稿では,非線形システムにおける逆フィルタ問題に対処する逆拡張カルマンフィルタ(I-EKF)を提案する。
第1部:I-EKF(未知の入力を含む)とI-KF(未知の入力を含む)の理論
第2部:I-EKF(未知入力)とI-KF(未知入力)の理論
論文 参考訳(メタデータ) (2022-08-13T16:55:39Z) - Learning Dynamical Systems via Koopman Operator Regression in
Reproducing Kernel Hilbert Spaces [52.35063796758121]
動的システムの有限データ軌跡からクープマン作用素を学ぶためのフレームワークを定式化する。
リスクとクープマン作用素のスペクトル分解の推定を関連付ける。
以上の結果から,RRRは他の広く用いられている推定値よりも有益である可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-27T14:57:48Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Inverse Extended Kalman Filter -- Part I: Fundamentals [19.078991171384015]
本稿では,逆拡張カルマンフィルタ(I-EKF)の理論を詳述する。
我々は、有界非線型性と未知行列アプローチの両方を用いて理論的安定性を保証する。
本論文(パートII)では,不完全なシステムモデル情報を扱うために,Hilbert空間に基づくEKFの再生を提案する。
論文 参考訳(メタデータ) (2022-01-05T10:56:58Z) - On the Practicality of Differential Privacy in Federated Learning by
Tuning Iteration Times [51.61278695776151]
フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。
最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。
ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
論文 参考訳(メタデータ) (2021-01-11T19:43:12Z) - Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial
Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。
我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。
提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文 参考訳(メタデータ) (2020-10-08T18:36:51Z)
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。