論文の概要: Exploiting Radio Frequency Fingerprints for Device Identification: Tackling Cross-receiver Challenges in the Source-data-free Scenario

• arxiv url: http://arxiv.org/abs/2512.16648v1
• Date: Thu, 18 Dec 2025 15:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.119823
• Title: Exploiting Radio Frequency Fingerprints for Device Identification: Tackling Cross-receiver Challenges in the Source-data-free Scenario
• Title（参考訳）: デバイス識別のための無線周波数フィンガープリントの爆発:ソースデータフリーシナリオにおけるクロスレシーバーチャレンジへの取り組み
• Authors: Liu Yang, Qiang Li, Luxiong Wen, Jian Yang,
• Abstract要約: 本稿では、ソースレシーバからのラベル付き信号に事前学習されたモデルが、ターゲットレシーバからのラベルなし信号に適応しなければならない、ソースデータフリーなクロスレシーバRFFI問題を提案する。 我々は,運動量中心誘導型ソフト擬似ラベルを組み込んだSCRFFIの新しい手法であるMomentum Soft pseudo-label Source hypothesis Transfer (MS-SHOT)を提案する。 MS-SHOTは、精度とロバスト性の両方において既存のアプローチを一貫して上回り、RFFIにおけるソースデータフリーなクロスレシーバ適応のための実用的でスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 17.211137756661955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid proliferation of edge computing, Radio Frequency Fingerprint Identification (RFFI) has become increasingly important for secure device authentication. However, practical deployment of deep learning-based RFFI models is hindered by a critical challenge: their performance often degrades significantly when applied across receivers with different hardware characteristics due to distribution shifts introduced by receiver variation. To address this, we investigate the source-data-free cross-receiver RFFI (SCRFFI) problem, where a model pretrained on labeled signals from a source receiver must adapt to unlabeled signals from a target receiver, without access to any source-domain data during adaptation. We first formulate a novel constrained pseudo-labeling-based SCRFFI adaptation framework, and provide a theoretical analysis of its generalization performance. Our analysis highlights a key insight: the target-domain performance is highly sensitive to the quality of the pseudo-labels generated during adaptation. Motivated by this, we propose Momentum Soft pseudo-label Source Hypothesis Transfer (MS-SHOT), a new method for SCRFFI that incorporates momentum-center-guided soft pseudo-labeling and enforces global structural constraints to encourage confident and diverse predictions. Notably, MS-SHOT effectively addresses scenarios involving label shift or unknown, non-uniform class distributions in the target domain -- a significant limitation of prior methods. Extensive experiments on real-world datasets demonstrate that MS-SHOT consistently outperforms existing approaches in both accuracy and robustness, offering a practical and scalable solution for source-data-free cross-receiver adaptation in RFFI.
• Abstract（参考訳）: エッジコンピューティングの急速な普及に伴い、セキュアなデバイス認証においてRFFI(Radio Frequency Fingerprint Identification)がますます重要になっている。 しかし、深層学習に基づくRFFIモデルの実践的な展開は、重要な課題によって妨げられている。 そこで本研究では,ソースデータフリーなクロスレシーバRFFI(SCRFFI)問題について検討し,ソースレシーバからのラベル付き信号に事前学習したモデルが,適応中にソースドメインデータにアクセスすることなく,ターゲットレシーバからのラベルなし信号に適応する必要があることを示す。 まず、制約付き擬似ラベルに基づくSCRFFI適応フレームワークを定式化し、その一般化性能に関する理論的解析を行う。 対象ドメインのパフォーマンスは、適応時に生成された擬似ラベルの品質に非常に敏感である。 そこで本研究では,モーメントムソフト擬似ラベルソース仮説変換(MS-SHOT)を提案する。これは,運動量中心誘導型ソフト擬似ラベルを組み込んだSCRFFIの新しい手法であり,自信と多様な予測を促すため,グローバルな構造的制約を強制する。 特に、MS-SHOTは、ターゲットドメイン内のラベルシフトや未知の非一様クラス分布を含むシナリオに効果的に対処します。 実世界のデータセットに対する大規模な実験により、MS-SHOTは精度とロバスト性の両方において既存のアプローチを一貫して上回り、RFFIにおけるソースフリーなクロスレシーバ適応のための実用的でスケーラブルなソリューションを提供する。

関連論文リスト

• Cross-Receiver Generalization for RF Fingerprint Identification via Feature Disentanglement and Adversarial Training [29.396203071880905]
  高周波指紋認証(RFFI)は無線ネットワークセキュリティにとって重要な技術である。 ディープニューラルネットワークは、識別的特徴を抽出する際、顕著な能力を示してきたが、現実の展開は、受信者によって引き起こされる変動によって妨げられている。 本稿では,クロスレシーバ変動に頑健なRFFIフレームワークを提案する。 当社のアプローチは、最先端のベースラインを一貫して上回り、多様な受信設定で平均精度を最大10%向上させる。
  論文  参考訳（メタデータ） (2025-10-10T14:01:05Z)
• Mitigating Receiver Impact on Radio Frequency Fingerprint Identification via Domain Adaptation [15.347306554562048]
  適応モデルに対する理論的一般化誤差を開発する。 そこで本研究では,ドメインアライメントと適応的な擬似ラベリングを含むクロスレシーバRFFI問題の解法を提案する。 実験結果から,提案手法は受信者への影響を効果的に軽減し,受信者間RFFI性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T16:08:32Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。