論文の概要: Rapid LoRA Aggregation for Wireless Channel Adaptation in Open-Set Radio Frequency Fingerprinting

• arxiv url: http://arxiv.org/abs/2604.12834v1
• Date: Tue, 14 Apr 2026 14:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.518252
• Title: Rapid LoRA Aggregation for Wireless Channel Adaptation in Open-Set Radio Frequency Fingerprinting
• Title（参考訳）: オープンセット無線周波数フィンガープリントにおける無線チャネル適応のための高速LORAアグリゲーション
• Authors: Mingxi Zhang, Renjie Xie, Jincheng Wang, Guyue Li, Wei Xu,
• Abstract要約: RFF(Radio frequency fingerprints)は、セキュアな無線認証を可能にするが、未知のデバイスや様々なチャネルとのオープンセットシナリオに苦労する。 低ランク適応(LoRA)を用いた軽量自己適応型RFF抽出フレームワークを提案する。 実験の結果,非微細なベースラインに比べて15%の誤差率(EER)が減少し,トレーニング時間も83%減少した。
• 参考スコア（独自算出の注目度）: 19.64932226773163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency fingerprints (RFFs) enable secure wireless authentication but struggle in open-set scenarios with unknown devices and varying channels. Existing methods face challenges in generalization and incur high computational costs. We propose a lightweight, self-adaptive RFF extraction framework using Low-Rank Adaptation (LoRA). By pretraining LoRA modules per environment, our method enables fast adaptation to unseen channel conditions without full retraining. During inference, a weighted combination of LoRAs dynamically enhances feature extraction. Experimental results demonstrate a 15% reduction in equal error rate (EER) compared to non-finetuned baselines and an 83% decrease in training time relative to full fine-tuning, using the same training dataset. This approach provides a scalable and efficient solution for open-set RFF authentication in dynamic wireless vehicular networks.
• Abstract（参考訳）: RFF(Radio frequency fingerprints)は、セキュアな無線認証を可能にするが、未知のデバイスや様々なチャネルとのオープンセットシナリオに苦労する。 既存の手法は一般化と計算コストの増大の課題に直面している。 ローランド適応(LoRA)を用いた軽量自己適応型RFF抽出フレームワークを提案する。 環境ごとのLoRAモジュールの事前学習により,完全再学習をすることなく,未知のチャネル条件への適応を高速に行うことができる。 推論中、LoRAの重み付け結合は特徴抽出を動的に強化する。 実験の結果,非微細なベースラインに比べてEERが15%減少し,トレーニング時間も83%減少した。 このアプローチは、動的無線車両ネットワークにおけるオープンセットRFF認証のためのスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• Towards Channel-Robust and Receiver-Independent Radio Frequency Fingerprint Identification [23.32212243151147]
  高周波指紋認証(RFFI)は、モノのインターネット(IoT)デバイスを認証するための新しい手法である。 深層学習に基づくRFFIは優れた性能を示しているが、まだ研究課題が残っている。 本稿では,3段階のRFFI手法を提案する。
  論文  参考訳（メタデータ） (2025-12-12T22:32:08Z)
• Radiance-Field Reinforced Pretraining: Scaling Localization Models with Unlabeled Wireless Signals [5.688789306551577]
  無線周波数(RF)ベースの屋内ローカライゼーションは、屋内ナビゲーション、拡張現実、広範コンピューティングなどのアプリケーションに有望である。 RFRP(Radiance-Field Reinforced Pretraining)の導入 この新しい自己教師型事前学習フレームワークは、非対称オートエンコーダアーキテクチャにおいて、大規模な局在モデル(LM)とニューラルラジオ周波数放射場(RF-NeRF)を結合する。 RFRPプレトレーニングLMは,非事前学習モデルに比べて40%以上,教師あり学習モデルに比べて21%以上,局所化誤差を減少させることを示した。
  論文  参考訳（メタデータ） (2025-12-08T08:52:08Z)
• UAV Individual Identification via Distilled RF Fingerprints-Based LLM in ISAC Networks [60.16924915676577]
  無人航空機(UAV)個人識別は、低高度統合センシング通信(ISAC)ネットワークにおける重要なセキュリティ監視戦略である。 UAVID識別のための新しい動的知識蒸留(KD)対応無線周波数指紋大言語モデル(RFF-LLM)を提案する。 実験結果から,提案フレームワークは,0.15万のパラメータと2.74ミリ秒の応答時間で,98.38%のID識別精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-18T03:14:44Z)
• Run LoRA Run: Faster and Lighter LoRA Implementations [50.347242693025336]
  LoRAは、線形層に低ランクアダプタを導入することにより、ニューラルネットワーク内のトレーニング可能なパラメータの数を減らすテクニックである。 本稿では,LoRAの効率的な実装のためのRunLoRAフレームワークを提案する。 実験は、言語モデリングネットワーク上で最大28%のスピードアップを示す。
  論文  参考訳（メタデータ） (2023-12-06T10:54:34Z)
• FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
  フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。 無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。 動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
  論文  参考訳（メタデータ） (2023-07-10T08:54:07Z)
• One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
  この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。 RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。 変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
  論文  参考訳（メタデータ） (2023-01-20T02:35:43Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法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） (2022-08-04T15:46:48Z)
• Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
  Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。 我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
  論文  参考訳（メタデータ） (2021-12-18T02:26:38Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)

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。