論文の概要: Adapt under Attack and Domain Shift: Unified Adversarial Meta-Learning and Domain Adaptation for Robust Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2511.01172v1
• Date: Mon, 03 Nov 2025 02:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.0905
• Title: Adapt under Attack and Domain Shift: Unified Adversarial Meta-Learning and Domain Adaptation for Robust Automatic Modulation Classification
• Title（参考訳）: アタックとドメインシフトへの適応:ロバスト自動修飾分類のための統一された対向メタラーニングとドメイン適応
• Authors: Ali Owfi, Amirmohammad Bamdad, Tolunay Seyfi, Fatemeh Afghah,
• Abstract要約: メタラーニングとドメイン適応を統合した,新しい統一フレームワークを提案する。 本フレームワークは,これらの組み合わせによる脅威に対して,変調分類精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 7.380560017792149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has emerged as a leading approach for Automatic Modulation Classification (AMC), demonstrating superior performance over traditional methods. However, vulnerability to adversarial attacks and susceptibility to data distribution shifts hinder their practical deployment in real-world, dynamic environments. To address these threats, we propose a novel, unified framework that integrates meta-learning with domain adaptation, making AMC systems resistant to both adversarial attacks and environmental changes. Our framework utilizes a two-phase strategy. First, in an offline phase, we employ a meta-learning approach to train the model on clean and adversarially perturbed samples from a single source domain. This method enables the model to generalize its defense, making it resistant to a combination of previously unseen attacks. Subsequently, in the online phase, we apply domain adaptation to align the model's features with a new target domain, allowing it to adapt without requiring substantial labeled data. As a result, our framework achieves a significant improvement in modulation classification accuracy against these combined threats, offering a critical solution to the deployment and operational challenges of modern AMC systems.
• Abstract（参考訳）: ディープラーニングはAMC(Automatic Modulation Classification)の主要なアプローチとして現れ、従来の手法よりも優れたパフォーマンスを示している。 しかし、敵対的攻撃に対する脆弱性とデータ分散への感受性は、現実の動的環境への実践的な展開を妨げる。 これらの脅威に対処するために,メタラーニングとドメイン適応を統合した新しい統合フレームワークを提案する。 われわれのフレームワークは二段階戦略を利用している。 まず、オフラインフェーズにおいて、1つのソースドメインからクリーンで逆向きに摂動したサンプルでモデルをトレーニングするためにメタラーニングアプローチを採用する。 この方法では、モデルがその防御を一般化することができ、以前は目に見えない攻撃の組み合わせに耐性がある。 その後、オンラインフェーズにおいて、モデルの特徴を新たなターゲット領域と整合させるためにドメイン適応を適用し、実質的なラベル付きデータを必要としないように適応する。 その結果,現代のAMCシステムの展開と運用上の課題に対する重要な解決策として,これらの組み合わせによる脅威に対する調整分類精度の大幅な向上を実現している。

関連論文リスト

• On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning [0.0]
  移動学習環境における強靭性と適応性を両立させる上で, ADA(Adversarial Data Augmentation)の役割について検討した。 本稿では、ADAと整合性正規化とドメイン不変表現学習を統合した統合フレームワークを提案する。 本研究は,破壊攻撃からの摂動を,ドメイン間移動性のための正規化力に変換する,対向学習という構成的視点を強調した。
  論文  参考訳（メタデータ） (2025-05-19T03:56:51Z)
• Adaptive Meta-learning-based Adversarial Training for Robust Automatic Modulation Classification [4.754812565644714]
  メタラーニングに基づく自動変調分類(AMC)モデルのための逆トレーニングフレームワークを提案する。 以上の結果から,このトレーニングフレームワークは従来のAMCモデルの対戦型トレーニングよりもオンライントレーニング時間が少なく,堅牢性と正確性に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-01-03T03:28:33Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• Semi-Supervised Domain Adaptation with Auto-Encoder via Simultaneous Learning [18.601226898819476]
  本稿では,新しい自動エンコーダベースのドメイン適応モデルと同時学習方式を組み合わせた半教師付きドメイン適応フレームワークを提案する。 我々のフレームワークは、ソースとターゲットのオートエンコーダの両方をトレーニングすることで、強力な分散マッチング特性を有する。
  論文  参考訳（メタデータ） (2022-10-18T00:10:11Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Adaptative Perturbation Patterns: Realistic Adversarial Learning for Robust NIDS [0.3867363075280543]
  アドリアックは、機械学習とそれに依存するシステムにとって大きな脅威となる。 この研究は、グレーボックス設定でこれらの制約を満たすためにAdaptative Perturbation Pattern Method (A2PM)を導入する。 A2PMは、各クラスの特性に独立して適応し、有効で一貫性のあるデータ摂動を生成するパターン配列に依存している。
  論文  参考訳（メタデータ） (2022-03-08T17:52:09Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Exploiting Diverse Characteristics and Adversarial Ambivalence for Domain Adaptive Segmentation [20.13548631627542]
  新しいドメインにセマンティックセグメンテーションモデルを適用することは重要だが難しい問題だ。 特殊なプログレッシブな敵対的トレーニング機構と新しい自己訓練政策によって強化された条件付き適応フレームワークを提案する。 対象の画像が気象条件によって異なる様々な適応シナリオに対して,本手法を評価する。
  論文  参考訳（メタデータ） (2020-12-10T11:50:59Z)
• Effective Unsupervised Domain Adaptation with Adversarially Trained Language Models [54.569004548170824]
  注意的なマスキング戦略は、マスキングされた言語モデルの知識ギャップを橋渡しできることを示す。 本稿では,これらのトークンを逆さまにマスキングすることで効果的なトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-05T01:49:47Z)
• Class-Incremental Domain Adaptation [56.72064953133832]
  私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。 既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。 提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-08-04T07:55:03Z)

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。