論文の概要: Generalizable and Interpretable RF Fingerprinting with Shapelet-Enhanced Large Language Models
- arxiv url: http://arxiv.org/abs/2602.03035v1
- Date: Tue, 03 Feb 2026 03:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.208891
- Title: Generalizable and Interpretable RF Fingerprinting with Shapelet-Enhanced Large Language Models
- Title（参考訳）: シェープレット強化大言語モデルを用いた一般化・解釈可能なRFフィンガープリント
- Authors: Tianya Zhao, Junqing Zhang, Haowen Xu, Xiaoyan Sun, Jun Dai, Xuyu Wang,
- Abstract要約: ディープニューラルネットワーク(DNN)は、無線デバイス認証のためのRF指紋認証において顕著な成功を収めている。
可変長2次元(2次元)シェイプレット群と事前学習された大言語モデル(LLM)を統合して,効率的な,解釈可能な,一般化可能なRFフィンガープリントを実現する新しい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）: 29.237426221761496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) have achieved remarkable success in radio frequency (RF) fingerprinting for wireless device authentication. However, their practical deployment faces two major limitations: domain shift, where models trained in one environment struggle to generalize to others, and the black-box nature of DNNs, which limits interpretability. To address these issues, we propose a novel framework that integrates a group of variable-length two-dimensional (2D) shapelets with a pre-trained large language model (LLM) to achieve efficient, interpretable, and generalizable RF fingerprinting. The 2D shapelets explicitly capture diverse local temporal patterns across the in-phase and quadrature (I/Q) components, providing compact and interpretable representations. Complementarily, the pre-trained LLM captures more long-range dependencies and global contextual information, enabling strong generalization with minimal training overhead. Moreover, our framework also supports prototype generation for few-shot inference, enhancing cross-domain performance without additional retraining. To evaluate the effectiveness of our proposed method, we conduct extensive experiments on six datasets across various protocols and domains. The results show that our method achieves superior standard and few-shot performance across both source and unseen domains.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、無線デバイス認証のためのRF指紋認証において顕著な成功を収めている。
しかし、その実践的なデプロイメントには、ある環境でトレーニングされたモデルが他の環境に一般化するのに苦労するドメインシフトと、解釈可能性を制限するDNNのブラックボックスの性質の2つの大きな制限がある。
これらの問題に対処するために,可変長2次元のシェープレット群と事前学習された大言語モデル(LLM)を統合し,効率的かつ解釈可能で一般化可能なRFフィンガープリントを実現する新しいフレームワークを提案する。
2Dシェイプレットは、相内および4次(I/Q)コンポーネントにまたがる多様な局所的時間パターンを明示的にキャプチャし、コンパクトで解釈可能な表現を提供する。
補完的に、事前訓練されたLLMは、より長距離の依存関係とグローバルなコンテキスト情報をキャプチャし、トレーニングオーバーヘッドを最小限に抑えた強力な一般化を可能にする。
さらに、このフレームワークは、数ショットの推論のためのプロトタイプ生成もサポートし、追加のリトレーニングなしでクロスドメインパフォーマンスを向上する。
提案手法の有効性を評価するため,様々なプロトコルや領域にまたがる6つのデータセットについて広範な実験を行った。
その結果,本手法は,ソース領域と未確認領域の双方において,優れた標準性能と少ないショット性能を達成できることが示唆された。
関連論文リスト
- Scale, Don't Fine-tune: Guiding Multimodal LLMs for Efficient Visual Place Recognition at Test-Time [12.659582318581606]
Vision Foundation Models (VFM) や Multimodal Large Language Models (MLLM) といった現在のアプローチでは意味理解が強化されているが、微調整時に高い計算オーバーヘッドと限られたクロスドメイン転送性に悩まされている。
本稿では,直接類似度スコアリングのためのガイダンスベースの手法を用いて,視覚言語アライメント機能を活用したテスト時間スケーリング(TTS)を用いた新しいフレームワークを提案する。
提案手法では,長さ制御可能なスコアアウトプットを生成する構造的プロンプトを用いることで,2段階処理を除去する。
論文 参考訳（メタデータ） (2025-09-02T09:25:13Z) - GRASP: Geospatial pixel Reasoning viA Structured Policy learning [16.023628299873494]
GRASPは、マルチモーダルな大規模言語モデルと事前訓練されたセグメンテーションモデルを統合する、構造化されたポリシー学習フレームワークである。
PRIMEは、教師付き微調整を強化学習に置き換える訓練パラダイムであり、推論や接地行動とタスク目標との整合性を改善する。
GRASP-1kは、推論集約的なクエリ、推論トレース、きめ細かいマスクを備えた、完全にドメイン外ベンチマークである。
論文 参考訳（メタデータ） (2025-08-23T18:05:06Z) - Human-in-Context: Unified Cross-Domain 3D Human Motion Modeling via In-Context Learning [64.30639042094548]
単一プロセスを通じて統合ドメインモデルをトレーニングするための新しい設定を提案する。
最初にPose-in-Context(PiC)を紹介した。これはコンテキスト内学習を活用して、ポーズ中心のクロスドメインモデルを作成する。
そこで我々は、モーダル性、タスク、データセットの一般化を拡大するPiCの拡張であるHuman-in-Context(HiC)を提案する。
論文 参考訳（メタデータ） (2025-08-14T17:59:23Z) - Crossing the Reward Bridge: Expanding RL with Verifiable Rewards Across Diverse Domains [92.36624674516553]
検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の数学的推論と符号化性能の向上に成功している。
本稿では,医学,化学,心理学,経済学,教育など,さまざまな現実世界領域におけるRLVRの有効性と拡張性について検討する。
我々は,2値検証による制限を克服するために,ソフトなモデルに基づく報酬信号を生成する生成的スコアリング手法を利用する。
論文 参考訳（メタデータ） (2025-03-31T08:22:49Z) - From Dataset to Real-world: General 3D Object Detection via Generalized Cross-domain Few-shot Learning [13.282416396765392]
本稿では,3次元オブジェクト検出においてGCFS(Generalized Cross-domain few-shot)タスクを導入する。
本ソリューションでは,マルチモーダル融合とコントラスト強化型プロトタイプ学習を1つのフレームワークに統合する。
限定対象データから各クラスに対するドメイン固有表現を効果的に捉えるために,コントラスト強化型プロトタイプ学習を提案する。
論文 参考訳（メタデータ） (2025-03-08T17:05:21Z) - Structural Pruning of Pre-trained Language Models via Neural Architecture Search [7.833790713816726]
事前学習された言語モデル(PLM)は、ラベル付きデータに基づいて微調整された自然言語理解タスクの最先端である。
本稿では, 最適トレードオフ効率を有する微調整ネットワークのサブ部分を見つけるために, 構造解析のためのニューラルアーキテクチャ探索(NAS)について検討する。
論文 参考訳（メタデータ） (2024-05-03T17:34:57Z) - Prompting Diffusion Representations for Cross-Domain Semantic
Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。
本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文 参考訳（メタデータ） (2023-07-05T09:28:25Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented
Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。
本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。
本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文 参考訳（メタデータ） (2021-06-07T16:40:05Z) - Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。
近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。
本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-31T03:48:41Z)
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。