論文の概要: Semi-Supervised RF Fingerprinting with Consistency-Based Regularization

• arxiv url: http://arxiv.org/abs/2304.14795v1
• Date: Fri, 28 Apr 2023 12:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 14:18:03.224823
• Title: Semi-Supervised RF Fingerprinting with Consistency-Based Regularization
• Title（参考訳）: 整合性に基づく正則化を用いた半スーパービジョンRFフィンガープリント
• Authors: Weidong Wang, Cheng Luo, Jiancheng An, Lu Gan, Hongshu Liao, and Chau Yuen
• Abstract要約: RF指紋認証は、無線セキュリティを大幅に改善することができる。 近年の研究では、ディープラーニングに基づくRFフィンガープリントが従来の手法よりも大幅に優れていることが示されている。 我々はRFフィンガープリントの深層半教師付き学習を活用し、無線信号用に設計された複合データ拡張方式に依存している。
• 参考スコア（独自算出の注目度）: 18.860503392365644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a promising non-password authentication technology, radio frequency (RF) fingerprinting can greatly improve wireless security. Recent work has shown that RF fingerprinting based on deep learning can significantly outperform conventional approaches. The superiority, however, is mainly attributed to supervised learning using a large amount of labeled data, and it significantly degrades if only limited labeled data is available, making many existing algorithms lack practicability. Considering that it is often easier to obtain enough unlabeled data in practice with minimal resources, we leverage deep semi-supervised learning for RF fingerprinting, which largely relies on a composite data augmentation scheme designed for radio signals, combined with two popular techniques: consistency-based regularization and pseudo-labeling. Experimental results on both simulated and real-world datasets demonstrate that our proposed method for semi-supervised RF fingerprinting is far superior to other competing ones, and it can achieve remarkable performance almost close to that of fully supervised learning with a very limited number of examples.
• Abstract（参考訳）: 有望な非パスワード認証技術として、無線周波数(RF)指紋認証は無線セキュリティを大幅に改善することができる。 近年の研究では、深層学習に基づくRFフィンガープリントが従来の手法よりも大幅に優れていることが示されている。 しかし、その優位性は主に大量のラベル付きデータを用いた教師あり学習によるもので、ラベル付きデータのみが利用可能であれば著しく劣化し、既存のアルゴリズムの多くは実践性に欠ける。 実用上,最小限の資源で十分なラベルなしデータを得るのが容易であると考えると,rfフィンガープリントの深い半教師付き学習を活用し,無線信号のための複合データ拡張方式と,一貫性に基づく正規化と擬似ラベル付けという2つの一般的な技術を組み合わせた。 シミュレーションと実世界の両方のデータセットによる実験結果から,提案手法は競合するRFフィンガープリントよりもはるかに優れており,非常に限られた例で完全に教師付き学習に近い性能が得られることが示された。

関連論文リスト

• Open-Set RF Fingerprinting via Improved Prototype Learning [7.956132769841986]
  オープンセットRFフィンガープリントのためのプロトタイプ学習を利用する。 一貫性に基づく正規化とオンラインラベルスムース化の2つの改善を提案する。 実世界のRFデータセットを用いた実験結果から,提案手法がプロトタイプ学習を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2023-06-24T08:04:06Z)
• Federated Radio Frequency Fingerprinting with Model Transfer and Adaptation [26.646820912136416]
  本稿では,モデル転送と適応という新しい手法を用いたRFフィンガープリントアルゴリズムを提案する。 提案アルゴリズムは、RFフィンガープリントに畳み込み層間の密接な接続を導入し、学習精度を高め、モデルの複雑さを低減する。 現状のRFフィンガープリンティングアルゴリズムと比較して,提案アルゴリズムは最大15%の性能向上で予測性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-22T14:55:30Z)
• Higher-order accurate two-sample network inference and network hashing [13.984114642035692]
  ネットワーク比較のための2サンプル仮説テストは、多くの重要な課題を示す。 我々は,新しいメソッドとその変種を特徴とする包括的ツールボックスを開発した。 提案手法は,既存のツールの高速化と精度に優れ,電力効率が最適であることが証明された。
  論文  参考訳（メタデータ） (2022-08-16T07:31:11Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  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。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
  デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。 本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:58:29Z)
• On Deep Learning with Label Differential Privacy [54.45348348861426]
  ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。 本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
  論文  参考訳（メタデータ） (2021-02-11T15:09:06Z)
• Coresets for Robust Training of Neural Networks against Noisy Labels [78.03027938765746]
  本稿では,雑音ラベルで訓練したディープネットワークの堅牢なトレーニングのための理論的保証を強く備えた新しい手法を提案する。 我々は、ほぼ低ランクのヤコビ行列を提供するクリーンなデータポイントの重み付き部分集合(コアセット)を選択する。 我々の実験は、我々の理論を裏付け、我々のサブセットで訓練されたディープネットワークが、最先端技術よりもはるかに優れたパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2020-11-15T04:58:11Z)
• 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)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Reinforcement Learning with Augmented Data [97.42819506719191]
  本稿では,ほとんどのRLアルゴリズムを拡張可能なシンプルなプラグイン・アンド・プレイモジュールであるReinforcement Learning with Augmented Data (RAD)を提案する。 本稿では,RLアルゴリズムが複雑な最先端手法より優れていることを示すために,ランダム翻訳,作物,カラージッタ,パッチカットアウト,ランダム畳み込み,振幅スケールなどの拡張法を提案する。
  論文  参考訳（メタデータ） (2020-04-30T17:35:32Z)

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。