論文の概要: Adaptive ECCM for Mitigating Smart Jammers
- arxiv url: http://arxiv.org/abs/2212.02002v1
- Date: Mon, 5 Dec 2022 03:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 19:12:11.086930
- Title: Adaptive ECCM for Mitigating Smart Jammers
- Title(参考訳): スマートジャマーの緩和のための適応ECCM
- Authors: Kunal Pattanayak and Shashwat Jain and Vikram Krishnamurthy and Chris
Berry
- Abstract要約: 本稿では、逆ジャマーによるECCMに対する適応型レーダ電子カウンターカウンタ対策(ECCM)について考察する。
我々のECCMアプローチは、主エージェント問題(PAP)としてのジャマーとレーダーの相互作用をモデル化する。
数値計算の結果,適応ECCMはジャマーの有効性を識別し緩和することがわかった。
- 参考スコア(独自算出の注目度): 16.94511811702041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers adaptive radar electronic counter-counter measures
(ECCM) to mitigate ECM by an adversarial jammer. Our ECCM approach models the
jammer-radar interaction as a Principal Agent Problem (PAP), a popular
economics framework for interaction between two entities with an information
imbalance. In our setup, the radar does not know the jammer's utility. Instead,
the radar learns the jammer's utility adaptively over time using inverse
reinforcement learning. The radar's adaptive ECCM objective is two-fold (1)
maximize its utility by solving the PAP, and (2) estimate the jammer's utility
by observing its response. Our adaptive ECCM scheme uses deep ideas from
revealed preference in micro-economics and principal agent problem in contract
theory. Our numerical results show that, over time, our adaptive ECCM both
identifies and mitigates the jammer's utility.
- Abstract(参考訳): 本稿では,適応型レーダ電子カウンタ対策(ECCM)について,逆ジャマーによるECCMの緩和について考察する。
我々のECCMアプローチは、情報不均衡を伴う2つのエンティティ間の相互作用のための一般的な経済フレームワークである主エージェント問題(PAP)として、ジャマーとレーダーの相互作用をモデル化する。
私たちの設定では、レーダーはジャマーの効用を知らない。
代わりに、レーダーは逆強化学習を用いて時間とともにジャマーの有用性を適応的に学習する。
レーダの適応ECCMの目的は、(1)PAPを解くことにより有効性を最大化し、(2)応答を観測してジャマーの有効性を推定することである。
適応ECCM方式は, 契約理論におけるミクロ経済学と主エージェント問題において, 明らかにされた嗜好から, 深いアイデアを用いる。
数値計算の結果,適応ECCMはジャマーの有効性を識別し緩和することがわかった。
関連論文リスト
- BM2CP: Efficient Collaborative Perception with LiDAR-Camera Modalities [5.034692611033509]
我々は,LiDARとカメラを用いた協調認識パラダイムBM2CPを提案し,効率的なマルチモーダル認識を実現する。
センサーの1つ、同じまたは異なるタイプのエージェントが欠落している場合に対処することができる。
提案手法は,シミュレーションおよび実世界の自律走行シナリオにおいて,50倍の通信量で最先端の手法より優れる。
論文 参考訳(メタデータ) (2023-10-23T08:45:12Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳(メタデータ) (2023-10-03T11:47:01Z) - Multi-kernel Correntropy-based Orientation Estimation of IMUs: Gradient
Descent Methods [3.8286082196845466]
コレントロピーに基づく降下勾配(CGD)とコレントロピーに基づく非結合配向推定(CDOE)
従来の方法は平均二乗誤差(MSE)基準に依存しており、外部加速度や磁気干渉に弱い。
新しいアルゴリズムは、カルマンフィルタベースのアプローチよりも計算の複雑さが著しく低いことを示している。
論文 参考訳(メタデータ) (2023-04-13T13:57:33Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳(メタデータ) (2023-03-12T16:23:27Z) - Formalizing the Problem of Side Effect Regularization [81.97441214404247]
本稿では,補助ゲームフレームワークを用いたサイドエフェクト正規化のための公式な基準を提案する。
これらのゲームでは、エージェントは部分的に観測可能なマルコフ決定プロセスを解決する。
このPOMDPは、エージェントが将来的なタスクをこなす能力と、プロキシ報酬を交換することで解決されることを示す。
論文 参考訳(メタデータ) (2022-06-23T16:36:13Z) - ESCM$^2$: Entire Space Counterfactual Multi-Task Model for Post-Click
Conversion Rate Estimation [14.346868328637115]
ESMM(Entire Space Multi-task Model)ファミリーのメソッドは、データ空間の問題に対処するために、ユーザアクションのシーケンシャルなパターンを活用する。
ESMMは、独立推定バイアス(IEB)と潜在的独立優先性(PIP)の問題に悩まされている。
我々は,正則化器として反現実的リスクミミライザを用いる,Entire Space Counterfactual Multi-task Modelling (ESCM$2$) という原理的アプローチを考案した。
論文 参考訳(メタデータ) (2022-04-03T08:12:27Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳(メタデータ) (2021-06-30T16:49:07Z) - Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。
エージェントの好みを学習するためのオンライン学習機構を提案する。
数値シミュレーションにより,本機構の有効性を実証する。
論文 参考訳(メタデータ) (2021-06-11T21:32:17Z) - Mean-Variance Efficient Reinforcement Learning by Expected Quadratic
Utility Maximization [9.902494567482597]
本稿では,MVトレードオフに関する効率性を実現するための効率的な政策の学習について考察する。
この目的を達成するため、期待される二次効用関数を最大化するためにエージェントを訓練する。
論文 参考訳(メタデータ) (2020-10-03T18:17:34Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。