論文の概要: CP-Guard: A Unified, Probability-Agnostic, and Adaptive Framework for Malicious Agent Detection and Defense in Multi-Agent Embodied Perception Systems

• arxiv url: http://arxiv.org/abs/2506.22890v1
• Date: Sat, 28 Jun 2025 14:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.618078
• Title: CP-Guard: A Unified, Probability-Agnostic, and Adaptive Framework for Malicious Agent Detection and Defense in Multi-Agent Embodied Perception Systems
• Title（参考訳）: CP-Guard:多エージェント型知覚システムにおける悪性エージェント検出・防御のための統一的・確率非依存的・適応的フレームワーク
• Authors: Senkang Hu, Yihang Tao, Guowen Xu, Xinyuan Qian, Yiqin Deng, Xianhao Chen, Sam Tak Wu Kwong, Yuguang Fang,
• Abstract要約: コラボレーティブ・パーセプション(CP)は、マルチエージェント自律運転とマルチエージェントロボットシステムにとって有望な技術であることが示されている。 CPでは、egoエージェントは、その協力者からメッセージを受け取る必要があるため、悪意のあるエージェントからの攻撃に対して脆弱である。 我々は、CP-Guardという統合された、確率に依存しない、適応的なフレームワークを提案し、その協調ネットワークにおける悪意あるエージェントを正確に検出し、排除する。
• 参考スコア（独自算出の注目度）: 21.478631468402977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative Perception (CP) has been shown to be a promising technique for multi-agent autonomous driving and multi-agent robotic systems, where multiple agents share their perception information to enhance the overall perception performance and expand the perception range. However, in CP, an ego agent needs to receive messages from its collaborators, which makes it vulnerable to attacks from malicious agents. To address this critical issue, we propose a unified, probability-agnostic, and adaptive framework, namely, CP-Guard, which is a tailored defense mechanism for CP deployed by each agent to accurately detect and eliminate malicious agents in its collaboration network. Our key idea is to enable CP to reach a consensus rather than a conflict against an ego agent's perception results. Based on this idea, we first develop a probability-agnostic sample consensus (PASAC) method to effectively sample a subset of the collaborators and verify the consensus without prior probabilities of malicious agents. Furthermore, we define collaborative consistency loss (CCLoss) for object detection task and bird's eye view (BEV) segmentation task to capture the discrepancy between an ego agent and its collaborators, which is used as a verification criterion for consensus. In addition, we propose online adaptive threshold via dual sliding windows to dynamically adjust the threshold for consensus verification and ensure the reliability of the systems in dynamic environments. Finally, we conduct extensive experiments and demonstrate the effectiveness of our framework. Code will be released at https://github.com/CP-Security/CP-Guard
• Abstract（参考訳）: コラボレーティブ・パーセプション(CP)は、複数のエージェントが認識情報を共有し、全体的な知覚性能を高め、知覚範囲を拡大する多エージェント自律運転および多エージェントロボットシステムにおいて有望な技術であることが示されている。 しかし、CPでは、egoエージェントは、その協力者からメッセージを受け取る必要があるため、悪意のあるエージェントからの攻撃に対して脆弱である。 この重要な問題に対処するために、我々はCP-Guard(CP-Guard)という統一的で確率に依存しない適応的なフレームワークを提案する。 私たちのキーとなる考え方は、CPがエゴエージェントの知覚結果と対立するのではなく、コンセンサスに到達できるようにすることです。 この考え方に基づいて、我々はまず確率非依存のサンプルコンセンサス(PASAC)法を開発し、協力者のサブセットを効果的にサンプリングし、悪意のあるエージェントの事前の確率なしでコンセンサスを検証する。 さらに、オブジェクト検出タスクと鳥眼ビュー(BEV)セグメンテーションタスクの協調一貫性損失(CCLoss)を定義し、コンセンサスの検証基準として使用されるエゴエージェントとそのコラボレータの相違を捉える。 さらに,動的環境下でのシステムの信頼性を確保するために,複数ウィンドウを経由したオンライン適応しきい値を提案し,コンセンサス検証のしきい値を動的に調整する。 最後に、我々は広範な実験を行い、フレームワークの有効性を実証する。 コードはhttps://github.com/CP-Security/CP-Guardでリリースされる

関連論文リスト

• CP-Guard+: A New Paradigm for Malicious Agent Detection and Defense in Collaborative Perception [53.088988929450494]
  協調知覚(CP)は、安全で自律的な運転のための有望な方法である。 本稿では,悪意のあるエージェントを機能レベルで効果的に識別する,悪意のあるエージェント検出のための新しいパラダイムを提案する。 また,CP-Guard+と呼ばれる堅牢な防御手法を開発し,良性の表現と悪質な特徴とのマージンを高める。
  論文  参考訳（メタデータ） (2025-02-07T12:58:45Z)
• CP-Guard: Malicious Agent Detection and Defense in Collaborative Bird's Eye View Perception [54.78412829889825]
  コラボレーティブ・パーセプション(CP)は自動運転に有望な技術を示している。 CPでは、ego CAVは協力者からのメッセージを受信する必要があるため、悪意のあるエージェントによる攻撃が容易になる。 本稿では,CPの防御機構であるCP-Guardを提案する。
  論文  参考訳（メタデータ） (2024-12-16T17:28:25Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。