論文の概要: GenAI for Energy-Efficient and Interference-Aware Compressed Sensing of GNSS Signals on a Google Edge TPU

• arxiv url: http://arxiv.org/abs/2605.14839v1
• Date: Thu, 14 May 2026 13:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.127048
• Title: GenAI for Energy-Efficient and Interference-Aware Compressed Sensing of GNSS Signals on a Google Edge TPU
• Title（参考訳）: Google Edge TPU上のGNSS信号のエネルギー効率・干渉認識圧縮検出のためのGenAI
• Authors: Thorben Wegner, Lucas Heublein, Tobias Feigl, Felix Ott, Christopher Mutschler, Alexander Rügamer,
• Abstract要約: 本稿では,ジェネレーション人工知能(GenAI)を用いたジャミング脅威の圧縮と分類手法を提案する。 提案手法は,ハードウェアレシーバ上でのデータストリームを直接効率よく圧縮し,同時にジャミングとスプーフィングの攻撃をリアルタイムで分類する。 ハードウェア中心のGenAIアプローチは、ジャマー信号伝送コストを大幅に削減し、干渉軽減のための実用的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 37.74014735747033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional methods for classifying global navigation satellite system (GNSS) jamming signals typically involve post-processing raw or spectral data streams, requiring complex and costly data transmission to cloud-based interference classification systems. In contrast, our proposed approach efficiently compresses GNSS data streams directly at the hardware receiver while simultaneously classifying jamming and spoofing attacks in real time. Given the growing prevalence of GNSS jamming, there is a critical need for real-time solutions suitable for power-constrained environments. This paper introduces a novel method for compressing and classifying GNSS jamming threats using generative artificial intelligence (GenAI), specifically variational autoencoders (VAEs), deployed on Google Edge tensor processing units (TPUs). The study evaluates various autoencoder (AE) architectures to compress and reconstruct GNSS signals, focusing on preserving interference characteristics while minimizing data size near the receiver hardware. The pipeline adapts large-scale AE models for Google Edge TPUs through 8-bit quantization to ensure energy-efficient deployment. Tests on raw in-phase and quadrature-phase (IQ) data, Fast Fourier Transform (FFT) data, and handcrafted features show the system achieves significant compression (>42x) and accurate classification of approximately 72 interference types on reconstructed signals (F2-score 0.915), closely matching the original signals (F2-score 0.923). The hardware-centric GenAI approach also substantially reduces jammer signal transmission costs, offering a practical solution for interference mitigation. Ablation studies on conditional and factorized VAEs (i.e., FactorVAE) explore latent feature disentanglement for data generation, enhancing model interpretability and fostering trust in machine learning (ML) solutions for sensitive interference applications.
• Abstract（参考訳）: グローバルナビゲーション衛星システム(GNSS)のジャミング信号の分類法は、通常、生またはスペクトルのデータストリームを後処理し、クラウドベースの干渉分類システムに複雑でコストのかかるデータ送信を必要とする。 これとは対照的に,提案手法はハードウェアレシーバ上でのGNSSデータストリームを直接効率よく圧縮し,同時にジャミングとスプーフィング攻撃をリアルタイムで分類する。 GNSSジャミングの普及を考えると、電力制約のある環境に適したリアルタイムソリューションが不可欠である。 本稿では,Google Edgeテンソル処理ユニット(TPU)上に配置された生成人工知能(GenAI),特に可変オートエンコーダ(VAE)を用いて,GNSSジャミング脅威を圧縮・分類する新しい手法を提案する。 本研究では,GNSS信号の圧縮と再構成を行う各種オートエンコーダ(AE)アーキテクチャを評価し,受信機ハードウェア近傍のデータサイズを最小化しながら干渉特性の保存に着目した。 パイプラインは8ビット量子化を通じて、Google Edge TPU用の大規模なAEモデルに適応し、エネルギー効率の確保を実現している。 生のインフェーズおよび二次位相(IQ)データ、高速フーリエ変換(FFT)データ、手作り特徴によるテストでは、再構成信号(F2スコア0.915)の約72種類の干渉タイプを、元の信号(F2スコア0.923)と密にマッチングして、相当な圧縮(>42x)と正確な分類を実現している。 ハードウェア中心のGenAIアプローチは、ジャマー信号伝送コストを大幅に削減し、干渉軽減のための実用的なソリューションを提供する。 条件付きおよび因子化されたVAE(FacterVAE)のアブレーション研究は、データ生成のための潜時的特徴のゆがみ、モデルの解釈可能性の向上、および機密干渉アプリケーションに対する機械学習(ML)ソリューションへの信頼の促進を探求する。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• Attention-Based Fusion of IQ and FFT Spectrograms with AoA Features for GNSS Jammer Localization [4.674584508653125]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 古典アングル・オブ・アーリバル (AoA) 法はマルチパス環境において精度を低下させる。 本研究では,ジャミング源の距離,方位,標高を推定しながら干渉の検出と分類を行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-07-09T06:49:11Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• PCA-Featured Transformer for Jamming Detection in 5G UAV Networks [0.5999777817331317]
  無人航空機(UAV)は、ネットワーク機能を損なう可能性のある攻撃を妨害することによる重大なセキュリティリスクに直面している。 従来の検出方法は、動作を動的に変更するAI駆動のジャミングに直面すると、しばしば不足する。 無線セキュリティ向上のための特徴表現を洗練するための新しいU字型トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:13:04Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)

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。