論文の概要: Cross-reality Location Privacy Protection in 6G-enabled Vehicular Metaverses: An LLM-enhanced Hybrid Generative Diffusion Model-based Approach

• arxiv url: http://arxiv.org/abs/2601.12311v1
• Date: Sun, 18 Jan 2026 08:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.567619
• Title: Cross-reality Location Privacy Protection in 6G-enabled Vehicular Metaverses: An LLM-enhanced Hybrid Generative Diffusion Model-based Approach
• Title（参考訳）: LLM強化ハイブリッド拡散モデルによる6G対応車体メタバースのクロスレーショナル位置プライバシー保護
• Authors: Xiaofeng Luo, Jiayi He, Jiawen Kang, Ruichen Zhang, Zhaoshui He, Ekram Hossain, Dong In Kim,
• Abstract要約: 6G対応の車載メタバースは、空対地統合ネットワークを通じて、自律走行車が物理的および仮想空間を横断する動作を可能にする。 AVが実際にLBSを要求するときに報告された位置と、対応するAIエージェントが仮想にデプロイされているエッジサーバの位置を関連付けることで、敵がAVトラジェクトリを推測できるため、現実的な位置プライバシーリスクを引き起こす可能性がある。 本稿では、現実の連続的な位置摂動や、仮想性における個別のプライバシーを意識したAIエージェントのマイグレーションを含む、ハイブリッドアクションに基づく、リアルタイムな位置プライバシ保護フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.91843106313937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of 6G-enabled vehicular metaverses enables Autonomous Vehicles (AVs) to operate across physical and virtual spaces through space-air-ground-sea integrated networks. The AVs can deploy AI agents powered by large AI models as personalized assistants, on edge servers to support intelligent driving decision making and enhanced on-board experiences. However, such cross-reality interactions may cause serious location privacy risks, as adversaries can infer AV trajectories by correlating the location reported when AVs request LBS in reality with the location of the edge servers on which their corresponding AI agents are deployed in virtuality. To address this challenge, we design a cross-reality location privacy protection framework based on hybrid actions, including continuous location perturbation in reality and discrete privacy-aware AI agent migration in virtuality. In this framework, a new privacy metric, termed cross-reality location entropy, is proposed to effectively quantify the privacy levels of AVs. Based on this metric, we formulate an optimization problem to optimize the hybrid action, focusing on achieving a balance between location protection, service latency reduction, and quality of service maintenance. To solve the complex mixed-integer problem, we develop a novel LLM-enhanced Hybrid Diffusion Proximal Policy Optimization (LHDPPO) algorithm, which integrates LLM-driven informative reward design to enhance environment understanding with double Generative Diffusion Models-based policy exploration to handle high-dimensional action spaces, thereby enabling reliable determination of optimal hybrid actions. Extensive experiments on real-world datasets demonstrate that the proposed framework effectively mitigates cross-reality location privacy leakage for AVs while maintaining strong user immersion within 6G-enabled vehicular metaverse scenarios.
• Abstract（参考訳）: 6G対応車体メタバースの出現により、自律走行車(AV)は、地上と地上の統合ネットワークを通じて、物理的および仮想空間を横断する運用が可能となった。 AVは、パーソナライズされたアシスタントとして大きなAIモデルを活用したAIエージェントをエッジサーバ上に展開し、インテリジェントな駆動決定とオンボードエクスペリエンスの向上をサポートする。 敵は、AVがLBSを要求するときに報告された位置と、対応するAIエージェントが仮想にデプロイされているエッジサーバの位置を関連付けることで、AVトラジェクトリを推測することができる。 この課題に対処するために、我々は、現実の連続的な位置摂動や、仮想における個別のプライバシ対応AIエージェントマイグレーションを含む、ハイブリッドアクションに基づく、現実的な位置プライバシ保護フレームワークを設計する。 このフレームワークでは、AVのプライバシーレベルを効果的に定量化するために、クロスリアルな位置エントロピーと呼ばれる新しいプライバシ指標が提案されている。 この指標に基づいて、位置保護、サービス遅延低減、およびサービスメンテナンス品質のバランスを達成することに集中して、ハイブリッドアクションを最適化するための最適化問題を定式化する。 複雑な混合整数問題を解決するために,LLMによる情報的報酬設計を統合し,高次元の行動空間を扱うための2つの生成拡散モデルに基づくポリシー探索による環境理解を向上し,最適なハイブリッド動作の確実な決定を可能にする,新しいLLM拡張ハイブリッド拡散ポリシー最適化(LHDPPO)アルゴリズムを開発した。 実世界のデータセットに対する大規模な実験により、提案フレームワークは、6G対応の車載メタバースシナリオ内で強力なユーザ没入を維持しながら、AVのクロスリアルな位置プライバシーリークを効果的に軽減することを示した。

関連論文リスト

• Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation [0.0]
  深部強化学習(HMP-DRL)によるハイブリッド運動計画 状態空間と報酬関数の両方に符号化されたチェックポイントのシーケンスを通じて、局所DRLポリシーに統合されたパスを生成するグラフベースのグローバルプランナを提案する。 社会的コンプライアンスを確保するため、地域プランナーは、周辺エージェントのセマンティックタイプに基づいて、安全マージンと罰則を動的に調整するエンティティ対応報酬構造を採用する。
  論文  参考訳（メタデータ） (2025-12-31T05:58:57Z)
• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• Integrated Communication and Control for Energy-Efficient UAV Swarms: A Multi-Agent Reinforcement Learning Approach [9.51758427865825]
  本稿では,UAVSwarm支援通信の品質向上を目的とした,統合型通信・制御協調設計機構を提案する。 マルコフ決定過程(MDP)として,共同資源配分と3次元軌道制御問題を定式化する。 我々は,UAV群全体のリアルタイム協調動作を可能にするマルチエージェント強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-28T14:23:04Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Generative AI-Enhanced Cooperative MEC of UAVs and Ground Stations for Unmanned Surface Vehicles [36.3157805511305]
  無人地上機(USV)は低コストで柔軟な航空サービスを提供している。 地上局(GS)は、複雑なシナリオでUSVを支援するために協力する強力な支援を提供することができる。 本稿では,UAVとGSをベースとした堅牢なマルチアクセスエッジコンピューティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-12T04:42:59Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
  Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。 車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。 車両メタバースにおけるセキュアで信頼性の高いVTマイグ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） (2024-07-05T11:11:33Z)
• Blockchain-based Pseudonym Management for Vehicle Twin Migrations in Vehicular Edge Metaverse [73.79237826420925]
  Vehicle Twins(VT)は、VMUの運転安全性と車載満足度を改善するために、貴重なメタバースサービスを提供している。 中断しないメタバース体験を維持するためには、VTは車両の動きに従ってエッジサーバ間で移動する必要がある。 これにより、車両のエッジメタバース間の動的通信中にプライバシー侵害が懸念される可能性がある。 既存の偽名管理手法は、車両のエッジメタバースにおける広範囲な偽名要求を満たすには不十分である。
  論文  参考訳（メタデータ） (2024-03-22T15:31:37Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)

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。