論文の概要: ConvXformer: Differentially Private Hybrid ConvNeXt-Transformer for Inertial Navigation
- arxiv url: http://arxiv.org/abs/2510.19352v1
- Date: Wed, 22 Oct 2025 08:20:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:15.419605
- Title: ConvXformer: Differentially Private Hybrid ConvNeXt-Transformer for Inertial Navigation
- Title（参考訳）: ConvXformer:慣性ナビゲーションのための微分プライベートハイブリッドConvNeXt変換器
- Authors: Omer Tariq, Muhammad Bilal, Muneeb Ul Hassan, Dongsoo Han, Jon Crowcroft,
- Abstract要約: ディープラーニングベースの慣性追跡システムは、プライバシー侵害に弱いままだ。
本研究では,ConvNeXtブロックとTransformerエンコーダを融合したハイブリッドアーキテクチャであるConvXformerを提案する。
- 参考スコア（独自算出の注目度）: 4.540223607965505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven inertial sequence learning has revolutionized navigation in GPS-denied environments, offering superior odometric resolution compared to traditional Bayesian methods. However, deep learning-based inertial tracking systems remain vulnerable to privacy breaches that can expose sensitive training data. \hl{Existing differential privacy solutions often compromise model performance by introducing excessive noise, particularly in high-frequency inertial measurements.} In this article, we propose ConvXformer, a hybrid architecture that fuses ConvNeXt blocks with Transformer encoders in a hierarchical structure for robust inertial navigation. We propose an efficient differential privacy mechanism incorporating adaptive gradient clipping and gradient-aligned noise injection (GANI) to protect sensitive information while ensuring model performance. Our framework leverages truncated singular value decomposition for gradient processing, enabling precise control over the privacy-utility trade-off. Comprehensive performance evaluations on benchmark datasets (OxIOD, RIDI, RoNIN) demonstrate that ConvXformer surpasses state-of-the-art methods, achieving more than 40% improvement in positioning accuracy while ensuring $(\epsilon,\delta)$-differential privacy guarantees. To validate real-world performance, we introduce the Mech-IO dataset, collected from the mechanical engineering building at KAIST, where intense magnetic fields from industrial equipment induce significant sensor perturbations. This demonstrated robustness under severe environmental distortions makes our framework well-suited for secure and intelligent navigation in cyber-physical systems.
- Abstract（参考訳）: データ駆動慣性シーケンス学習は、GPSを用いた環境でのナビゲーションに革命をもたらした。
しかし、ディープラーニングベースの慣性追跡システムは、機密性の高いトレーニングデータを公開可能なプライバシー侵害に対して脆弱なままである。
微分プライバシーソリューションは、特に高周波慣性測定において過度なノイズを導入することで、モデルの性能を損なうことが多い。
In this article, we propose ConvXformer, a hybrid architecture that convNeXt block with Transformer encoders in ahierarchical structure for robust inertial navigation。
モデル性能を確保しつつ機密情報を保護するために,適応的な勾配クリッピングと勾配整合ノイズインジェクション(GANI)を組み込んだ効率的な微分プライバシー機構を提案する。
本フレームワークでは,ゆがんだ特異値分解を勾配処理に利用し,プライバシ・ユーティリティのトレードオフを正確に制御する。
ベンチマークデータセット(OxIOD, RIDI, RoNIN)の総合的なパフォーマンス評価では、ConvXformerは最先端のメソッドを超え、位置決め精度を40%以上改善し、$(\epsilon,\delta)$-differential privacy guaranteesを保証している。
実世界の性能を検証するため,KAISTの機械工学棟から収集したMech-IOデータセットを導入する。
これにより、厳しい環境歪みの下で堅牢性が証明され、我々のフレームワークはサイバー物理システムにおける安全でインテリジェントなナビゲーションに適している。
関連論文リスト
- Distribution-Free Uncertainty-Aware Virtual Sensing via Conformalized Neural Operators [1.7864593554171284]
Conformalized Monte Carlo Operator (CMCO)は、ニューラルネットワークに基づく仮想センシングを、キャリブレーションされた、分布のない予測間隔で変換する。
CMCOは、リトレーニング、アンサンブル、カスタムロス設計なしで、空間的に解決された不確実性推定を達成する。
このブレークスルーは、ニューラル演算子のための汎用的なプラグアンドプレイUQソリューションを提供し、デジタルツインにおけるリアルタイムで信頼性の高い推論をアンロックし、センサーフュージョン、安全クリティカルな監視を提供する。
論文 参考訳（メタデータ） (2025-07-15T04:26:40Z) - Embedding Trust at Scale: Physics-Aware Neural Watermarking for Secure and Verifiable Data Pipelines [0.0]
我々は科学的データ整合性のための堅牢なニューラルネットワーク透かしフレームワークを提案する。
畳み込みオートエンコーダを用いることで、二元メッセージは温度、渦、地磁気といった構造データに不可視的に埋め込まれる。
提案手法は,ERA5データセットとNavier-Stokesデータセット間で,98%の精度と視覚的に識別不能な再構成を実現する。
論文 参考訳（メタデータ） (2025-05-22T21:14:45Z) - VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。
提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
論文 参考訳（メタデータ） (2025-04-14T13:38:00Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Explainable Differential Privacy-Hyperdimensional Computing for Balancing Privacy and Transparency in Additive Manufacturing Monitoring [5.282482641822561]
本稿では,DP-HDフレームワークについて紹介する。
DP-HDはDPノイズレベルを正確に調整し、プライバシーと性能の最適なバランスを確保する。
医療、金融サービス、政府データ管理など、プライバシに敏感な分野において、より広範な応用を約束している。
論文 参考訳（メタデータ） (2024-07-09T17:42:26Z) - OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering [42.817893456964]
脚のあるロボットの状態推定は、非常にダイナミックな動きとセンサーの精度による制限のために困難である。
本稿では,ロボットのトランクの状態を推定するために,プロピロセプションと外部受動的情報を組み合わせたハイブリッドソリューションを提案する。
このフレームワークは正確なロボットの状態推定を行うだけでなく、センサの測定や学習によるモデルの単純化から生じる非線形誤差を最小限に抑えることができる。
論文 参考訳（メタデータ） (2024-01-30T03:34:25Z) - Enhancing Reliability of Neural Networks at the Edge: Inverted
Normalization with Stochastic Affine Transformations [0.22499166814992438]
インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。
実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
論文 参考訳（メタデータ） (2024-01-23T00:27:31Z) - Over-the-Air Federated Learning with Privacy Protection via Correlated
Additive Perturbations [57.20885629270732]
我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。
従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。
本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
論文 参考訳（メタデータ） (2022-10-05T13:13:35Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - An automatic differentiation system for the age of differential privacy [65.35244647521989]
Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである
我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
論文 参考訳（メタデータ） (2021-09-22T08:07:42Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。