論文の概要: HEEDFUL: Leveraging Sequential Transfer Learning for Robust WiFi Device Fingerprinting Amid Hardware Warm-Up Effects

• arxiv url: http://arxiv.org/abs/2602.00338v1
• Date: Fri, 30 Jan 2026 21:41:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-03 13:38:35.267644
• Title: HEEDFUL: Leveraging Sequential Transfer Learning for Robust WiFi Device Fingerprinting Amid Hardware Warm-Up Effects
• Title（参考訳）: HEEDFUL: ハードウェアウォームアップ効果下でのロバストWiFiデバイスフィンガープリントにおけるシーケンス転送学習の活用
• Authors: Abdurrahman Elmaghbub, Bechir Hamdaoui,
• Abstract要約: HEEDFULはシーケンシャルトランスファーラーニングとターゲット障害推定を利用した新しいフレームワークである。 本評価では,初回装置操作間隔で最大96%の分類精度を達成し,HEEDFULの有効性を示した。 WiFiタイプBとNRF指紋データセットを初めてリリースし、時間領域表現と実際のハードウェア障害の両方を組み込んだ。
• 参考スコア（独自算出の注目度）: 3.8673630752805437
• License:
• Abstract: Deep Learning-based RF fingerprinting approaches struggle to perform well in cross-domain scenarios, particularly during hardware warm-up. This often-overlooked vulnerability has been jeopardizing their reliability and their adoption in practical settings. To address this critical gap, in this work, we first dive deep into the anatomy of RF fingerprints, revealing insights into the temporal fingerprinting variations during and post hardware stabilization. Introducing HEEDFUL, a novel framework harnessing sequential transfer learning and targeted impairment estimation, we then address these challenges with remarkable consistency, eliminating blind spots even during challenging warm-up phases. Our evaluation showcases HEEDFUL's efficacy, achieving remarkable classification accuracies of up to 96% during the initial device operation intervals-far surpassing traditional models. Furthermore, cross-day and cross-protocol assessments confirm HEEDFUL's superiority, achieving and maintaining high accuracy during both the stable and initial warm-up phases when tested on WiFi signals. Additionally, we release WiFi type B and N RF fingerprint datasets that, for the first time, incorporate both the time-domain representation and real hardware impairments of the frames. This underscores the importance of leveraging hardware impairment data, enabling a deeper understanding of fingerprints and facilitating the development of more robust RF fingerprinting solutions.
• Abstract（参考訳）: ディープラーニングベースのRFフィンガープリントアプローチは、特にハードウェアウォームアップ時に、クロスドメインシナリオでうまく機能するのに苦労する。 しばしば見過ごされがちなこの脆弱性は、信頼性と実践的な設定での採用を危うくしている。 この重要なギャップに対処するため、本研究ではまずRF指紋の解剖学を深く掘り下げ、ハードウェアの安定化に伴う時間的指紋の変動とポストの安定化に関する洞察を明らかにする。 シーケンシャルトランスファー学習と目標障害推定を利用した新しいフレームワークであるHEEDFULを導入し、これらの課題を顕著な一貫性で解決し、挑戦的なウォームアップフェーズにおいても盲点を排除した。 本評価では,HEEDFULの有効性が示され,従来モデルよりも早く,初期装置操作間隔で最大96%の分類精度が得られた。 さらに、HEEDFULの優位性を確認し、WiFi信号でテストした場合、安定および初期ウォームアップフェーズの両方で高い精度を達成および維持する。 さらに、WiFiタイプBとNRF指紋データセットを初めてリリースし、フレームの時間領域表現と実際のハードウェア障害の両方を組み込んだ。 このことは、ハードウェア障害データを活用することの重要性を強調し、指紋のより深い理解を可能にし、より堅牢なRFフィンガープリントソリューションの開発を促進する。

関連論文リスト

• WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism [61.79272554643873]
  本稿では,マルチセマンティックアテンション機構と自己注意に基づくチャネル機構を融合したジェスチャー認識ネットワークを提案する。 その結果、99.72%のドメイン内精度を維持するだけでなく、97.61%のクロスドメイン認識でも高い性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2025-12-04T07:09:13Z)
• Bluetooth Fingerprint Identification Under Domain Shift Through Transient Phase Derivative [5.3898004059026325]
  RFFP(Deep Learning-based Radio frequency fingerprinting)は、物理層セキュリティ技術として実現されている。 Bluetooth Low Energy (BLE) デバイスでは、これらの課題に対処することが特に重要である。 本研究では,BLEデバイスにおける周波数ホッピング効果を初めて検討し,新しい,低コストなドメイン適応型特徴抽出法を提案する。
  論文  参考訳（メタデータ） (2025-10-11T00:39:38Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Leveraging Machine Learning for Accurate IoT Device Identification in Dynamic Wireless Contexts [4.002351785644765]
  この研究は、細粒度チャネルのダイナミックスを捉えるための新しいアプローチとして「累積スコア」を導入している。 提案手法を実装し,実世界のシナリオにおけるデバイス識別の精度とオーバヘッドを測定した。 その結果、バランスの取れたデータ収集と機械学習アルゴリズムの蓄積スコアを組み込むことで、デバイス識別のF1スコアが97%以上に達することを確認した。
  論文  参考訳（メタデータ） (2024-05-15T22:34:52Z)
• Towards Adaptive RF Fingerprint-based Authentication of IIoT devices [0.0]
  RF環境に対する高精度なデバイス認証を実現するため,PHY層において,AI適応型無線周波数フィンガープリント技術の選択とチューニングを利用して,パワフルでフレキシブルなIIoTデバイス認証を実現するための第一歩を示す。
  論文  参考訳（メタデータ） (2023-11-27T14:55:32Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• On the Impact of the Hardware Warm-Up Time on Deep Learning-Based RF Fingerprinting [7.8344795632171325]
  デバイスハードウェアの安定化とウォームアップ時間が達成可能な指紋認証性能に与える影響について検討した。 以上の結果から,ディープラーニングモデルがハードウェアの安定化後に取得したデータサンプルを用いてトレーニングされる場合,デバイス上での動作直後に取得したデータをテストした場合,デバイス分類精度は37%以下であることがわかった。 安定化期間後にトレーニングデータとテストデータの両方をキャプチャすると、達成可能な平均精度は99%を超える。
  論文  参考訳（メタデータ） (2023-07-31T21:11:27Z)
• AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
  指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。 ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。 この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2022-11-25T05:10:39Z)
• Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT Security: Sensitivity to Network Deployment Changes [10.698553177585973]
  各種ネットワーク設定変化に対する LoRa RF フィンガープリントの感度について検討・解析を行った。 本稿では,帯域外歪み情報を利用して指紋認証精度を向上させる新しい指紋認証手法を提案する。 以上の結果から,学習モデルが同じ条件下でトレーニングされ,テストされた場合,指紋認証は比較的良好であることがわかった。
  論文  参考訳（メタデータ） (2022-08-31T16:53:05Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Real-time single image depth perception in the wild with handheld devices [45.26484111468387]
  主な2つの問題は、電球内のハンドヘルドデバイスからの深さ推定を制限している。 適切なネットワーク設計とトレーニング戦略を採用する上で,どちらも対処可能な方法を示す。 実時間深度認識型拡張現実とスマートフォンによる画像ぼやけに関する実験結果について報告する。
  論文  参考訳（メタデータ） (2020-06-10T08:30:20Z)

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。