論文の概要: Obtaining physical layer data of latest generation networks for investigating adversary attacks

• arxiv url: http://arxiv.org/abs/2405.19340v1
• Date: Thu, 2 May 2024 06:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-02 14:20:20.427605
• Title: Obtaining physical layer data of latest generation networks for investigating adversary attacks
• Title（参考訳）: 敵攻撃調査のための次世代ネットワークの物理層データ取得
• Authors: M. V. Ushakova, Yu. A. Ushakov, L. V. Legashev,
• Abstract要約: 機械学習は、5Gや6Gといった最新世代のデータネットワークの機能の最適化に使用できる。 インテリジェント機械学習モデルの振る舞いを操作する敵対策が、大きな関心事になりつつある。 機械学習アプリケーションと連携して動作するシミュレーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of machine learning is developing rapidly and is being used in various fields of science and technology. In this way, machine learning can be used to optimize the functions of latest generation data networks such as 5G and 6G. This also applies to functions at a lower level. A feature of the use of machine learning in the radio path for targeted radiation generation in modern ultra-massive MIMO, reconfigurable intelligent interfaces and other technologies is the complex acquisition and processing of data from the physical layer. Additionally, adversarial measures that manipulate the behaviour of intelligent machine learning models are becoming a major concern, as many machine learning models are sensitive to incorrect input data. To obtain data on attacks directly from processing service information, a simulation model is proposed that works in conjunction with machine learning applications.
• Abstract（参考訳）: 機械学習の分野は急速に発展しており、科学やテクノロジーの様々な分野で使われている。 このようにして、機械学習は、5Gや6Gといった最新世代のデータネットワークの機能の最適化に使用できる。 これは、より低いレベルの関数にも適用される。 現代の超大質量MIMOや再構成可能なインテリジェントインターフェースなどの技術において、無線経路における機械学習の利用は、物理層からのデータの複雑な取得と処理である。 さらに、多くの機械学習モデルが誤った入力データに敏感であるため、インテリジェントな機械学習モデルの振る舞いを操作できる敵対策が大きな関心事となっている。 サービス情報処理から直接攻撃に関する情報を得るために,機械学習アプリケーションと連携して動作するシミュレーションモデルを提案する。

関連論文リスト

• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Machine Learning with Chaotic Strange Attractors [0.0]
  カオスな非線形アトラクタを利用して低消費電力で機械学習タスクを実行するアナログ計算手法を提案する。 ニューロモルフィックコンピューティングにインスパイアされた我々のモデルは、機械学習タスクのためのプログラム可能で汎用的で一般化されたプラットフォームである。 単純なアナログデバイスとしてデプロイする場合は、現在の機械学習技術と同等ながら、ミリワット規模の電力レベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-23T12:54:38Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Scientific Machine Learning Benchmarks [0.17205106391379021]
  ディープラーニングニューラルネットワークのブレークスルーは、非常に大規模な実験データセットの分析にAIと機械学習技術の使用を変革した。 科学データセットの分析に最も適した機械学習アルゴリズムを特定することは、科学者にとって依然として課題である。 科学機械学習ベンチマークの開発における我々のアプローチを解説し、科学機械学習ベンチマークに対する他のアプローチについてレビューする。
  論文  参考訳（メタデータ） (2021-10-25T10:05:11Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
  本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。 提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
  論文  参考訳（メタデータ） (2020-12-07T21:11:02Z)

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。