論文の概要: Verifying DNN-based Semantic Communication Against Generative Adversarial Noise

• arxiv url: http://arxiv.org/abs/2602.08801v1
• Date: Mon, 09 Feb 2026 15:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.330133
• Title: Verifying DNN-based Semantic Communication Against Generative Adversarial Noise
• Title（参考訳）: 生成的対向雑音に対するDNNに基づく意味的コミュニケーションの検証
• Authors: Thanh Le, Hai Duong, ThanhVu Nguyen, Takeshi Matsumura,
• Abstract要約: SemComシステムに対する敵対的な攻撃は破滅的な失敗を引き起こす可能性がある。 数学的堅牢性を保証するニューラルネットワーク検証フレームワークであるVSCANを提案する。 VSCANは脆弱性発見時に攻撃手法と一致している。
• 参考スコア（独自算出の注目度）: 7.477547166922622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety-critical applications like autonomous vehicles and industrial IoT are adopting semantic communication (SemCom) systems using deep neural networks to reduce bandwidth and increase transmission speed by transmitting only task-relevant semantic features. However, adversarial attacks against these DNN-based SemCom systems can cause catastrophic failures by manipulating transmitted semantic features. Existing defense mechanisms rely on empirical approaches provide no formal guarantees against the full spectrum of adversarial perturbations. We present VSCAN, a neural network verification framework that provides mathematical robustness guarantees by formulating adversarial noise generation as mixed integer programming and verifying end-to-end properties across multiple interconnected networks (encoder, decoder, and task model). Our key insight is that realistic adversarial constraints (power limitations and statistical undetectability) can be encoded as logical formulae to enable efficient verification using state-of-the-art DNN verifiers. Our evaluation on 600 verification properties characterizing various attacker's capabilities shows VSCAN matches attack methods in finding vulnerabilities while providing formal robustness guarantees for 44% of properties -- a significant achievement given the complexity of multi-network verification. Moreover, we reveal a fundamental security-efficiency tradeoff: compact 16-dimensional latent spaces achieve 50% verified robustness compared to 64-dimensional spaces.
• Abstract（参考訳）: 自動運転車や産業用IoTといった安全クリティカルなアプリケーションは、ディープニューラルネットワークを使用してセマンティック通信(SemCom)システムを採用して、タスク関連セマンティック機能のみを送信することで、帯域幅を削減し、送信速度を向上している。 しかし、これらのDNNベースのSemComシステムに対する敵対的攻撃は、伝達された意味的特徴を操作することで破滅的な失敗を引き起こす可能性がある。 既存の防御機構は経験的アプローチに依存しており、敵の摂動の完全なスペクトルに対して正式な保証を与えていない。 本稿では,複数の相互接続ネットワーク(エンコーダ,デコーダ,タスクモデル)にまたがって,逆雑音生成を混合整数プログラミングとして定式化し,エンドツーエンド特性を検証することにより,数学的堅牢性を保証するニューラルネットワーク検証フレームワーク VSCANを提案する。 我々の重要な洞察は、現実的な敵対的制約(電力制限と統計的非検出性)を論理式として符号化し、最先端のDNN検証による効率的な検証を可能にすることである。 様々な攻撃者の能力を特徴とする600の検証特性について評価したところ、VSCANは脆弱性の発見において攻撃方法と一致し、44%のプロパティに対して正式な堅牢性を保証する。 コンパクトな16次元ラテント空間は64次元空間と比較して50%の確証されたロバスト性を達成する。

関連論文リスト

• SemanticNN: Compressive and Error-Resilient Semantic Offloading for Extremely Weak Devices [9.795432423267503]
  本稿では,セマンティックNNを提案する。セマンティックNNは,セマンティックレベルの正確性を追求するために,ビットレベルの誤りを許容するセマンティックNNである。 動的チャネル条件に適応するBER(Bit Error Rate)対応デコーダと、コンパクトな表現を学ぶためのSQ(Soft Quantization)ベースのエンコーダが組み込まれている。 我々は3つのモデルと6つのデータセットを用いてSTM32の広範囲な実験を行い、画像分類とオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2025-11-14T07:47:25Z)
• Towards Ultra-Low Latency: Binarized Neural Network Architectures for In-Vehicle Network Intrusion Detection [0.0]
  本稿では,二元化ニューラルネットワーク(BNN)を用いた軽量侵入検出手法を提案する。 メッセージIDや周波数などの非バイナリ機能を統合するためのハイブリッドバイナリ符号化技術を開発した。 提案手法は、車載侵入検知に最適化されたBNNフレームワークと、非負荷属性に対するハイブリッドバイナリ量子化技術を組み合わせたもので、異常検出とマルチクラスネットワークトラフィック分類において有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-02T06:47:56Z)
• Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning [39.58317527488534]
  本稿では, IEC 61850 SV インジェクション攻撃の検出, 防止, ソースローカライズのためのハイブリッド統計深度学習法を提案する。 悪質なSVフレームを最小の処理オーバーヘッドとレイテンシで事実上破棄し、通信ネットワークのレイテンシと時間同期の問題に対して堅牢性を維持する。 IEC 61850準拠のデジタル変電所における本手法の実用的展開適性を示す。
  論文  参考訳（メタデータ） (2025-07-01T07:38:22Z)
• Distributionally Robust Wireless Semantic Communication with Large AI Models [111.47794569742206]
  現在のSemComシステムは、様々なノイズ条件、敵攻撃、アウト・オブ・ディストリビューション・データにまたがる一般化に失敗している。 Wassersteinは、意味的誤解釈やチャネル摂動に対するレジリエンスを提供するために、分布的に堅牢な最適化を採用している。 画像とテキストの伝送実験の結果、WaSeComは雑音や逆方向の摂動下で頑健性の向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-28T04:03:57Z)
• Enhancing Privacy in Semantic Communication over Wiretap Channels leveraging Differential Privacy [51.028047763426265]
  セマンティック通信(SemCom)は,タスク関連情報に着目して伝送効率を向上させる。 セマンティックリッチなデータをセキュアでないチャネルで送信すると、プライバシのリスクが生じる。 本稿では,セマンティックなセマンティックな特徴を保護するために,差分プライバシー機構を統合した新しいSemComフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-23T08:42:44Z)
• Reformulation is All You Need: Addressing Malicious Text Features in DNNs [53.45564571192014]
  本稿では,敵攻撃とバックドア攻撃の両方に対して有効な,統一的かつ適応的な防御フレームワークを提案する。 我々のフレームワークは、様々な悪意あるテキスト機能において、既存のサンプル指向の防御基準よりも優れています。
  論文  参考訳（メタデータ） (2025-02-02T03:39:43Z)
• Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
  本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。 本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。 本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:28:38Z)
• Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial Attacks [70.51799606279883]
  セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。 再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:13:22Z)
• Towards a Safety Case for Hardware Fault Tolerance in Convolutional Neural Networks Using Activation Range Supervision [1.7968112116887602]
  畳み込みニューラルネットワーク(CNN)は多くの安全クリティカルなコンピュータビジョンアプリケーションの一部として確立されている。 我々は,高度に信頼性の高い故障検知器として範囲監視が重要であることを示すことによって,CNNのプロトタイプ型安全ケースを構築した。 本研究では,無声データ破損の確率と訂正不能な誤りを効果的に抑制する,新しい非一様範囲制限法について検討する。
  論文  参考訳（メタデータ） (2021-08-16T11:13:55Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。