論文の概要: Model Forensics in AI-Native Wireless Networks: Taxonomy, Applications, and Case Study

• arxiv url: http://arxiv.org/abs/2605.14387v1
• Date: Thu, 14 May 2026 05:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.635504
• Title: Model Forensics in AI-Native Wireless Networks: Taxonomy, Applications, and Case Study
• Title（参考訳）: AI-Native Wireless NetworksにおけるモデルForensics--分類学、応用、事例研究
• Authors: Pengyu Chen, Weiyang Li, Jin Xu, Jiacheng Wang, Ning Wang, Dusit Niyato, Tao Xiang,
• Abstract要約: 我々は、AIネイティブ無線ネットワークにおけるモデル法医学に焦点をあてる。 主な問題として、モデルの信頼性検証、悪意のある機能識別、説明責任追跡がある。 その結果, モデル法医学は, 異常評価, 証明追跡, 信頼性の高い操作に重要な支援を提供する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 60.8789758039936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As artificial intelligence (AI) is increasingly embedded in wireless networks, models are becoming core components that influence signal processing, resource scheduling and network control. However, model anomalies, tampering and malicious functions also introduce new security risks. In this article, we focus on model forensics in AI-native wireless networks. Specifically, we first discuss key problems including model authenticity verification, malicious function identification and accountability tracing, and summarize the main categories of model forensics. We then explain the role of model forensics in AI-native wireless networks and review representative application scenarios. In the case study, we use RF fingerprinting as an example and present two concrete workflows based on watermark authentication and backdoor detection, illustrating how provenance authentication and malicious behavior identification can be implemented in practice. The results show that model forensics can provide important support for anomaly assessment, provenance tracing and trustworthy operation in AI-native wireless networks. Finally, we outline several promising directions for future research in this emerging area.
• Abstract（参考訳）: 人工知能(AI)が無線ネットワークに組み込まれるにつれて、信号処理、リソーススケジューリング、ネットワーク制御に影響を与えるモデルがコアコンポーネントになりつつある。 しかし、モデル異常、改ざん、悪意のある機能も新たなセキュリティリスクをもたらす。 本稿では,AIネイティブ無線ネットワークにおけるモデル法医学に焦点をあてる。 具体的には、まずモデルの正当性検証、悪意のある機能識別、説明責任追跡といった重要な問題について論じ、モデル鑑定学の主要なカテゴリを要約する。 次に、AIネイティブ無線ネットワークにおけるモデル法医学の役割を説明し、代表的アプリケーションシナリオをレビューする。 ケーススタディでは,RFフィンガープリントを例として用いて,透かし認証とバックドア検出に基づく2つの具体的なワークフローを提示する。 この結果から,AIネイティブ無線ネットワークにおける異常評価,証明トレース,信頼性の高い操作を,モデル法医学が重要なサポートとして提供できることが示唆された。 最後に,この新興地域での今後の研究の方向性について概説する。

関連論文リスト

• Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
  機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。 この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。 また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
  論文  参考訳（メタデータ） (2026-03-26T18:42:57Z)
• Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
  フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。 まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。 低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
  論文  参考訳（メタデータ） (2026-03-02T11:26:56Z)
• CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
  我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。 DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。 我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2026-02-23T23:36:25Z)
• A Representation Learning Approach to Feature Drift Detection in Wireless Networks [10.148393118716253]
  本稿では,特徴分布の変化を検知し,モデルの再学習をトリガーする手法であるALRTを提案する。 ALERTには、表現学習、統計的テスト、ユーティリティアセスメントの3つのコンポーネントが含まれている。 文献で利用可能な10種類の標準ドリフト検出法に対して,提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2025-05-15T14:08:00Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
  我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。 このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
  論文  参考訳（メタデータ） (2020-09-25T17:48:43Z)
• Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
  本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。 私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。 我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
  論文  参考訳（メタデータ） (2020-09-18T18:32:24Z)

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。