論文の概要: Channel State Information Preprocessing for CSI-based Physical-Layer Authentication Using Reconciliation

• arxiv url: http://arxiv.org/abs/2512.16719v1
• Date: Thu, 18 Dec 2025 16:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.155254
• Title: Channel State Information Preprocessing for CSI-based Physical-Layer Authentication Using Reconciliation
• Title（参考訳）: Reconciliation を用いたCSIに基づく物理層認証のためのチャネル状態情報前処理
• Authors: Atsu Kokuvi Angelo Passah, Rodrigo C. de Lamare, Arsenia Chorti,
• Abstract要約: 本稿では、チャネル状態情報に基づく物理層認証(CSI-PLA)の精度を高めるための適応前処理手法を提案する。 我々は、ロバストな主成分分析(RPCA)に基づく適応型ロバストな主成分分析(A-RPCA)前処理法を開発した。 我々は、合成データと実データの両方において、最先端の事前処理方式と比較した。
• 参考スコア（独自算出の注目度）: 15.01668968424277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces an adaptive preprocessing technique to enhance the accuracy of channel state information-based physical layer authentication (CSI-PLA) alleviating CSI variations and inconsistencies in the time domain. To this end, we develop an adaptive robust principal component analysis (A-RPCA) preprocessing method based on robust principal component analysis (RPCA). The performance evaluation is then conducted using a PLA framework based on information reconciliation, in which Gaussian approximation (GA) for Polar codes is leveraged for the design of short codelength Slepian Wolf decoders. Furthermore, an analysis of the proposed A-RPCA methods is carried out. Simulation results show that compared to a baseline scheme without preprocessing and without reconciliation, the proposed A-RPCA method substantially reduces the error probability after reconciliation and also substantially increases the detection probabilities that is also 1 in both line-of-sight (LOS) and non-line-of-sight (NLOS) scenarios. We have compared against state-of the-art preprocessing schemes in both synthetic and real datasets, including principal component analysis (PCA) and robust PCA, autoencoders and the recursive projected compressive sensing (ReProCS) framework and we have validated the superior performance of the proposed approach.
• Abstract（参考訳）: 本稿では、チャネル状態情報に基づく物理層認証(CSI-PLA)の精度を高めるための適応前処理手法を提案する。 そこで我々は,ロバストな主成分分析(RPCA)に基づく適応型ロバストな主成分分析(A-RPCA)前処理法を開発した。 次に、極性符号に対するガウス近似(GA)を短い符号長Slepian Wolfデコーダの設計に利用する情報和解に基づくPLAフレームワークを用いて性能評価を行う。 さらに,提案手法のA-RPCA解析を行った。 シミュレーションの結果,前処理のないベースラインスキームと和解のないベースラインスキームを比較し,和解後のエラー確率を大幅に低減し,LOS(Line-of-Sight)とNLOS(Non-line-of-Sight)の両方のシナリオで1となる検出確率を著しく向上させた。 我々は、主成分分析(PCA)とロバストPCA、オートエンコーダ、再帰的射影圧縮センシング(ReProCS)フレームワークを含む、合成データと実データの両方における最先端の事前処理方式を比較し、提案手法の優れた性能を検証した。

関連論文リスト

• Tuning-Free Structured Sparse PCA via Deep Unfolding Networks [5.931547772157972]
  教師なし特徴選択(UFS)のための新しいタイプのスパース主成分分析(PCA)を提案する。 解釈可能な深層展開ネットワークを使用して、反復最適化ステップをトレーニング可能なニューラルネットワークに変換する。 この革新は、従来の手法の経験的チューニング要求を効果的に回避し、正規化パラメータの自動学習を可能にする。
  論文  参考訳（メタデータ） (2025-02-28T08:32:51Z)
• Learning Global and Local Features of Power Load Series Through Transformer and 2D-CNN: An Image-based Multi-step Forecasting Approach Incorporating Phase Space Reconstruction [1.9458156037869137]
  本研究では,PSRをニューラルネットワークと微妙に統合し,エンドツーエンドの学習システムを構築することで,新たな多段階予測手法を提案する。 PSR-GALIENと呼ばれる新しいディープラーニングモデルが設計され、トランスフォーマーと2D-CNNが画像のグローバルパターンとローカルパターンの抽出に使用される。 その結果,6つの最先端ディープラーニングモデルと比較して,PSR-GALIENの予測性能はこれらのベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-07-16T09:59:13Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• Learned Robust PCA: A Scalable Deep Unfolding Approach for High-Dimensional Outlier Detection [23.687598836093333]
  ロバストな主成分分析は機械学習において重要なツールであり、低ランク再構成タスクにおける外れ値を検出する。 本稿では,LRPCAと呼ばれる高次元RPCA問題に対するスケーラブルで学習可能なアプローチを提案する。 LRPCAは、ニューラルネットワークAltProjのような最先端のRPCAアルゴリズムよりも、両方のデータセットの実際のアプリケーションで優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-11T23:37:55Z)
• Supervised PCA: A Multiobjective Approach [70.99924195791532]
  制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。 この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
  論文  参考訳（メタデータ） (2020-11-10T18:46:58Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)

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。