論文の概要: GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks
- arxiv url: http://arxiv.org/abs/2605.18873v1
- Date: Fri, 15 May 2026 19:51:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.76241
- Title: GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks
- Title（参考訳）: GenAI-FDIA:偽データ注入攻撃のための物理インフォームド生成モデル
- Authors: Mohammad A. Razzaque, Muta Tah Hira,
- Abstract要約: 電力系統に対する偽データ注入攻撃(FDIA)の訓練と評価は、データ不足によって制限される。
物理対応FDIA合成のためのP=20$アーキテクチャのプールをベンチマークするフレームワークであるtextscGenAI-FDIAを提案する。
- 参考スコア（独自算出の注目度）: 0.5729426778193398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training and evaluating false data injection attack (FDIA) detectors for power systems is constrained by data scarcity. Operational grid measurements are commercially sensitive, and hand-crafted attacks fail to capture complex distributional structures imposed by network physics. We present \textsc{GenAI-FDIA}, a framework benchmarking a pool of $P{=}20$ architectures for physics-compliant FDIA synthesis, spanning Wasserstein GANs, MMD-VAEs, normalising flows, diffusion models, and cross-family hybrids. These are evaluated across three IEEE testbeds (14-bus DC, 30-bus DC, and 14-bus AC) under a 60/20/20 chronological split using data-driven Bad Data Detection (BDD) threshold calibration. Our empirical results verify that these models generate high-fidelity attacks, with all architectures achieving evasion rates of $ε_{\text{BDD}} \ge 86.6\%$ on the 14-bus network; additionally, limiting an attacker's topological knowledge induces a measurable degradation in stealthiness ($p \le 0.0022$). Crucially, we identify a previously unreported failure mode: applying affine physics projections directly in normalised feature spaces critically displaces the attack vector, collapsing BDD evasion from ${\sim}55\%$ to $<\!2\%$ on the 30-bus testbed. We resolve this via a novel inference-time harmoniser, restoring full stealthiness ($ε_{\text{BDD}}{=}100\%$) across all physics-informed variants without retraining. Finally, we isolate a covariance-collapse phenomenon ($κ\approx {-}0.076$) within advanced hybrid architectures and rectify it through 50-epoch warm-up schedules ($κ\to 0.785$, $Δ\text{MMD}={-}3.1\%$). Ultimately, \textsc{GenAI-FDIA} delivers a robust recovery blueprint applicable to any physics-constrained generative model deployed for power-system security.
- Abstract（参考訳）: 電力系統に対する偽データ注入攻撃(FDIA)の訓練と評価は、データ不足によって制限される。
運用グリッドの測定は商業的に敏感であり、手作りの攻撃ではネットワーク物理によって課される複雑な分布構造を捉えることができない。
We present \textsc{GenAI-FDIA}, a framework benchmarking a pool of $P{=}20$ architectures for physics-compliant FDIA synthesis, acrossing Wasserstein GANs, MMD-VAEs, normalising flow, diffusion model, and cross- hybrid hybrids。
データ駆動バッドデータ検出(BDD)しきい値キャリブレーションを用いて, IEEEテストベッド(14-bus DC, 30-bus DC, 14-bus AC)を60/20/20時間分割で評価した。
さらに,攻撃者のトポロジ的知識の制限は,盗難の計測可能な劣化を引き起こす(p \le 0.0022$)。
アフィン物理プロジェクションを正規化された特徴空間に直接適用することで、攻撃ベクトルを著しく置き換えることができ、BDD回避を${\sim}55\%$から$<\!
2\%であった。
我々は、新しい推論時調和器(ε_{\text{BDD}}{=}100\%$)を用いて、再トレーニングなしですべての物理情報を持つ変種に対して完全なステルス性(ε_{\text{BDD}}{=}100\%$)を回復する。
最後に、高度ハイブリッドアーキテクチャにおいて共分散崩壊現象(κ\approx {-}0.076$)を分離し、50エポックなウォームアップスケジュール(κ\to 0.785$, $Δ\text{MMD}={-}3.1\%$)を通して修正する。
最終的に \textsc{GenAI-FDIA} は、電力システムのセキュリティのためにデプロイされる物理制約付き生成モデルに適用可能な、堅牢な回復青写真を提供する。
関連論文リスト
- Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance [3.04375043248235]
データガイドFVM-PINN'は,非構造化メッシュ上で評価された強形式残差を,微分可能でバランスの取れた有限体積損失(FVM)に置き換えるフレームワークである。
このフレームワークは、SRH-2Dアンカーデータから正確なサロゲートを構築する。
論文 参考訳（メタデータ） (2026-05-09T22:03:56Z) - Synthetic Tabular Generators Fail to Preserve Behavioral Fraud Patterns: A Benchmark on Temporal, Velocity, and Multi-Account Signals [0.0]
本研究では,4つの行動不正パターン(P1-P4)の分類法を定式化し,事象間タイミング,バースト構造,マルチアカウントグラフモチーフ,速度ルールトリガ率について検討した。
我々は、IEEE-CIS Fraud DetectionとAmazon FraudデータセットでCTGAN、TVAE、GaussianCopula、TabularARGNをベンチマークした。
P1-P4フレームワークは、医療やネットワークセキュリティを含む、エンティティレベルのシーケンシャルデータを持つ任意のドメインに拡張する。
論文 参考訳（メタデータ） (2026-04-13T19:36:00Z) - LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。
最初のJEPAであるLeModelWorldを紹介します。
数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
論文 参考訳（メタデータ） (2026-03-13T19:48:14Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Multiscale Astrocyte Network Calcium Dynamics for Biologically Plausible Intelligence in Anomaly Detection [0.48700127614643884]
Ca$2+$-modulated learning frameworkは、脳内のCa$2+$シグナルからインスピレーションを得ている。
我々のアプローチでは、ディープニューラルネットワーク(DNN)を用いた多細胞アストロサイトダイナミックスシミュレーターを結合する。
論文 参考訳（メタデータ） (2025-11-06T02:24:51Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - $t^3$-Variational Autoencoder: Learning Heavy-tailed Data with Student's
t and Power Divergence [7.0479532872043755]
$t3$VAEは、学生のt-distributionsを前者、エンコーダ、デコーダに組み込んだ改良されたVAEフレームワークである。
t3$VAE は CelebA や不均衡な CIFAR-100 データセットにおいて,他のモデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-12-02T13:14:28Z) - Data-Agnostic Model Poisoning against Federated Learning: A Graph
Autoencoder Approach [65.2993866461477]
本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。
この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。
実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
論文 参考訳（メタデータ） (2023-11-30T12:19:10Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳（メタデータ） (2021-10-06T08:45:03Z)
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。