Fugu-MT 論文翻訳(概要): FedSecureFormer: A Fast, Federated and Secure Transformer Framework for Lightweight Intrusion Detection in Connected and Autonomous Vehicles

論文の概要: FedSecureFormer: A Fast, Federated and Secure Transformer Framework for Lightweight Intrusion Detection in Connected and Autonomous Vehicles

arxiv url: http://arxiv.org/abs/2512.24345v1
Date: Tue, 30 Dec 2025 16:55:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-01 23:27:28.439573
Title: FedSecureFormer: A Fast, Federated and Secure Transformer Framework for Lightweight Intrusion Detection in Connected and Autonomous Vehicles
Title（参考訳）: FedSecureFormer: 高速でフェデレートでセキュアなトランスフォーマフレームワーク
Authors: Devika S, Vishnu Hari, Pratik Narang, Tejasvi Alladi, F. Richard Yu,
Abstract要約: この研究は、フェデレートラーニングを用いたコネクテッドおよび自律走行車の領域における侵入検知のための最小層で構築されたエンコーダのみのトランスフォーマーを提示する。この変換器を使用して、フェデレートラーニング(Federated Learning)を使用して、コネクテッドおよび自律走行車の領域の侵入を検出する。
参考スコア（独自算出の注目度）: 34.65675915983263
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This works presents an encoder-only transformer built with minimum layers for intrusion detection in the domain of Connected and Autonomous Vehicles using Federated Learning.
Abstract（参考訳）: この研究は、フェデレートラーニングを用いたコネクテッドおよび自律走行車の領域における侵入検知のための最小層で構築されたエンコーダのみのトランスフォーマーを提示する。

関連論文リスト

FedLiTeCAN : A Federated Lightweight Transformer for Fast and Robust CAN Bus Intrusion Detection [5.519339465088624]
この研究は、コネクテッド・アンド・オートマチック・ビークルの領域におけるIDSのための軽量トランスフォーマーモデルを実装している。この研究は、コネクテッド・アンド・オートマチック・ビークルの領域におけるIDSのための軽量トランスフォーマーモデルを実装している。
論文参考訳（メタデータ） (2025-12-30T09:00:10Z)
Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。 Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文参考訳（メタデータ） (2025-12-17T14:45:33Z)
Robust Anomaly Detection through Multi-Modal Autoencoder Fusion for Small Vehicle Damage Detection [4.932130498861987]
特にレンタカーやカーシェアリングサービスにおいて、車両および共有車両システムにおける摩耗と剥離の検出は重要な課題である。現在、手動検査法がデフォルトの手法であるが、労働集約的であり、ヒューマンエラーの傾向にある。本研究では,これらの問題に対処するために,異常検出に基づく新しいマルチモーダルアーキテクチャを導入する。
論文参考訳（メタデータ） (2025-09-01T18:54:28Z)
A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。 DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
論文参考訳（メタデータ） (2025-06-03T11:29:35Z)
AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons [0.0]
車両小隊は、認証されたインサイダーによる高度なファルシフィケーション攻撃に対して脆弱である。本稿では,誤動作検出のためのトランスフォーマーベースのフレームワークであるAttentionGuardを紹介する。我々は,AttentionGuardが攻撃検出において最大0.95F1スコアを達成することを示す。
論文参考訳（メタデータ） (2025-05-15T13:24:09Z)
OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
論文参考訳（メタデータ） (2024-07-15T12:15:27Z)
Safety-Enhanced Autonomous Driving Using Interpretable Sensor Fusion Transformer [28.15612357340141]
我々は、InterFuser(Interpretable Sensor Fusion Transformer)という安全強化型自律走行フレームワークを提案する。我々は、総合的なシーン理解と対向事象検出を実現するために、マルチモーダル・マルチビューセンサーからの情報を処理し、融合する。私たちのフレームワークは、よりセマンティクスを提供し、安全なセット内のアクションをよりよく制約するために利用されます。
論文参考訳（メタデータ） (2022-07-28T11:36:21Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Laneformer: Object-aware Row-Column Transformers for Lane Detection [96.62919884511287]
Laneformerは、自動運転における車線検出に適したトランスフォーマーベースのアーキテクチャである。様々な視覚タスクにおけるトランスフォーマーエンコーダ・デコーダアーキテクチャの最近の進歩に触発されて、我々は新しいエンドツーエンドのLaneformerアーキテクチャの設計を進める。
論文参考訳（メタデータ） (2022-03-18T10:14:35Z)
Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文参考訳（メタデータ） (2021-03-26T01:18:11Z)

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。