論文の概要: Towards Reliable AI in 6G: Detecting Concept Drift in Wireless Network
- arxiv url: http://arxiv.org/abs/2508.00042v1
- Date: Thu, 31 Jul 2025 12:31:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-04 18:08:53.599169
- Title: Towards Reliable AI in 6G: Detecting Concept Drift in Wireless Network
- Title（参考訳）: 6Gで信頼性の高いAIを目指す - 無線ネットワークにおけるコンセプトドリフトの検出
- Authors: Athanasios Tziouvaras, Carolina Fortuna, George Floros, Kostas Kolomvatsos, Panagiotis Sarigiannidis, Marko Grobelnik, Blaž Bertalanič,
- Abstract要約: モデルに依存しない2つの非教師付きバッチドリフト検出器を導入する。
どちらの手法も予測ユーティリティスコアを計算し、コンセプトドリフトの発生時期とモデル再トレーニングが保証されるかどうかを決定する。
我々は,屋外指紋認証とリンク・アノマリー検出の2つの実世界の無線利用事例について,本フレームワークの有効性を検証した。
- 参考スコア（独自算出の注目度）: 5.553439910778821
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-native 6G networks promise unprecedented automation and performance by embedding machine-learning models throughout the radio access and core segments of the network. However, the non-stationary nature of wireless environments due to infrastructure changes, user mobility, and emerging traffic patterns, induces concept drifts that can quickly degrade these model accuracies. Existing methods in general are very domain specific, or struggle with certain type of concept drift. In this paper, we introduce two unsupervised, model-agnostic, batch concept drift detectors. Both methods compute an expected-utility score to decide when concept drift occurred and if model retraining is warranted, without requiring ground-truth labels after deployment. We validate our framework on two real-world wireless use cases in outdoor fingerprinting for localization and for link-anomaly detection, and demonstrate that both methods are outperforming classical detectors such as ADWIN, DDM, CUSUM by 20-40 percentage points. Additionally, they achieve an F1-score of 0.94 and 1.00 in correctly triggering retraining alarm, thus reducing the false alarm rate by up to 20 percentage points compared to the best classical detectors.
- Abstract（参考訳）: AIネイティブの6Gネットワークは、無線アクセスとネットワークのコアセグメントに機械学習モデルを埋め込むことによって、前例のない自動化とパフォーマンスを約束する。
しかし、無線環境の非定常的な性質は、インフラの変化、ユーザモビリティ、そして新しい交通パターンによって、これらのモデルの精度を急速に低下させるコンセプトドリフトを誘導する。
既存の手法は一般に非常にドメイン固有であり、ある種の概念の漂流に苦しむ。
本稿では、モデルに依存しない2つの非教師付きバッチドリフト検出器を紹介する。
どちらの手法も予測ユーティリティスコアを計算し、コンセプトドリフトの発生時期とモデル再トレーニングが保証されるかどうかを、デプロイ後にゼロトラストラベルを必要とせずに決定する。
本研究では,屋外指紋認証とリンク・アノマリー検出の2つの実世界の無線利用事例の枠組みを検証し,ADWIN,DDM,CUSUMなどの古典的検出器を20～40パーセント上回っていることを示す。
さらに、F1スコアは0.94と1.00の精度でリトレーニングアラームを正しく引き起こし、古典的検出器と比較して最大20ポイントまで誤報率を下げる。
関連論文リスト
- Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [15.146203784334086]
モデルロバスト性を高めつつラベル付けの労力を最小限に抑える生成能動適応フレームワークを提案する。
我々は、シミュレーションIDSデータと実世界のISPデータセットの両方でエンドツーエンドのフレームワークを評価した。
本フレームワークは,ラベリングコストを低減しつつ,レア攻撃検出を効果的に向上させ,実世界の侵入検知のためのスケーラブルで適応的なソリューションである。
論文 参考訳（メタデータ） (2025-03-04T21:49:42Z) - A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning [0.0]
車両内侵入検知システム(IDS)は、目に見える攻撃を検出し、新しい目に見えない攻撃に対する堅牢な防御を提供する必要がある。
これまでの作業は、CAN ID機能のみに依存していたり、手動で機能抽出する従来の機械学習(ML)アプローチを使用していました。
本稿では,これらの制約に対処するために,最先端,斬新,軽量,車内,IDS平均化,深層学習(DL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-15T21:51:56Z) - Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。
提案手法の有効性を広範囲な実験により実証する。
論文 参考訳（メタデータ） (2024-04-06T13:14:04Z) - T-PRIME: Transformer-based Protocol Identification for Machine-learning
at the Edge [7.170870264936032]
T-PRIMEはTransformerベースの機械学習アプローチである。
送信フレームの構造設計をアテンション機構を通じて学習する。
これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
論文 参考訳（メタデータ） (2024-01-09T22:01:55Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Integral Migrating Pre-trained Transformer Encoder-decoders for Visual
Object Detection [78.2325219839805]
imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。
MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
論文 参考訳（メタデータ） (2022-05-19T15:11:20Z) - PWG-IDS: An Intrusion Detection Model for Solving Class Imbalance in
IIoT Networks Using Generative Adversarial Networks [13.552023164115138]
本稿では,WWG-IDS(PWG-IDS)の予測手法を提案する。
We use LightGBM as the classification algorithm to detect attack traffic in IIoT network。
提案したPWG-IDSは、F1スコアが99%、F1スコアが89%の他のモデルよりも優れている。
論文 参考訳（メタデータ） (2021-10-06T02:34:50Z) - Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。
入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。
UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-05T08:56:36Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z)
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。