論文の概要: Counter-Adversarial Learning with Inverse Unscented Kalman Filter
- arxiv url: http://arxiv.org/abs/2210.00359v2
- Date: Fri, 24 Mar 2023 09:08:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 18:31:33.937717
- 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: 対戦相手システムでは、知的敵エージェントの戦略を推測するために、防御エージェントは、相手が後者について集めた情報を認知的に知覚する必要がある。
非線形ガウス状態空間モデルとして逆認知を定式化する。
次に、平均二乗有界性感覚におけるIUKFの安定性に関する理論的保証を導出する。
- 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 counter-adversarial systems, to infer the strategy of an intelligent
adversarial agent, the defender agent needs to cognitively sense the
information that the adversary has gathered about the latter. Prior works on
the problem employ linear Gaussian state-space models and solve this inverse
cognition problem by designing inverse stochastic filters. However, in
practice, counter-adversarial systems are generally highly nonlinear. In this
paper, we address this scenario by formulating inverse cognition as a nonlinear
Gaussian state-space model, wherein the adversary employs an unscented Kalman
filter (UKF) to estimate the defender's state with reduced linearization
errors. To estimate the adversary's estimate of the defender, we propose and
develop an inverse UKF (IUKF) system. We then derive theoretical guarantees for
the stochastic stability of IUKF in the mean-squared boundedness sense.
Numerical experiments for multiple practical applications show that the
estimation error of IUKF converges and closely follows the recursive
Cram\'{e}r-Rao lower bound.
- Abstract(参考訳): 対戦相手システムでは、知的敵エージェントの戦略を推測するために、防御エージェントは、相手が後者について集めた情報を認知的に知覚する必要がある。
この問題の先行研究は、線形ガウス状態空間モデルを採用し、逆確率フィルタを設計することで、この逆認知問題を解決する。
しかし、実際には対向系は一般的に高度に非線形である。
本稿では,逆認識を非線形ガウス状態空間モデルとして定式化することにより,このシナリオに対処する。
敵のディフェンダーの推定値を推定するために、逆ukf(iukf)システムを提案し、開発する。
次に、平均二乗有界性感覚におけるIUKFの確率安定性に関する理論的保証を導出する。
複数の実用的応用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ている。
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。