論文の概要: Hamiltonian-Inspired Attention Mechanism for Scalable RF Transmitter Fingerprinting

• arxiv url: http://arxiv.org/abs/2605.30364v1
• Date: Sun, 17 May 2026 15:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.497583
• Title: Hamiltonian-Inspired Attention Mechanism for Scalable RF Transmitter Fingerprinting
• Title（参考訳）: 拡張型RFフィンガープリントのためのハミルトンインスパイアされた注意機構
• Authors: Chitraksh Singh, Monisha Dhanraj, Akram Sheriff,
• Abstract要約: この研究は、各アテンションヘッド内の値のノルム保存を強制する物理インフォームドアテンションアーキテクチャであるハミルトニアン変換器を提案する。 実験では、WiSigデータセットからの非等化生I/Q信号を、同日分類、クロスレシーバの一般化、クロスデイの一般化、最大150台のデバイスにスケールアップする送信機という4つのプロトコルで使用する。 ハミルトニアン変圧器は、同一日の条件下で99.12%の精度、150の送信機で61.64%の精度を達成し、CNNとトランスフォーマーのベースラインを常に上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio-frequency (RF) fingerprinting identifies wire-less transmitters using hardware-induced imperfections present in baseband I/Q signals. However, deep learning models often degrade under receiver and channel distribution shifts, particularly as transmitter populations grow. This work proposes the Hamiltonian Transformer, a physics-informed attention architecture that enforces norm preserving value dynamics within each attention head using a learned skew-symmetric generator and a Störmer-Verlet leapfrog integration step. An additional phase-increment embedding exposes oscillator dynamics at the input layer. All experiments use non-equalized raw I/Q signals from the WiSig dataset under four protocols: same-day classification, cross-receiver generalisation, cross-day generalisation, and transmitter scaling up to 150 devices. The Hamiltonian Transformer achieves 99.12% accuracy under same-day conditions and 61.64% at 150 transmitters, consistently outperforming CNN and Transformer baselines across all scale points. A controlled ablation study identifies norm-preservation in the value update as the primary inductive bias driving the scaling advantage, with the phase increment embedding providing the single largest per-component improvement. These results indicate that embedding physics-informed structural priors into attention mechanisms is an effective approach to large-scale transmitter identification on raw wireless signals.
• Abstract（参考訳）: RFフィンガープリントは、ベースバンドI/Q信号に発生するハードウェアによる不完全性を用いて、ワイヤレス送信機を識別する。 しかし、ディープラーニングモデルは、特に送信機人口の増加に伴って、受信機とチャネルの分配シフトによって劣化することが多い。 この研究は、学習されたスキュー対称発生器とシュテルマー・バーレットの跳躍フロッグ積分ステップを用いて、各アテンションヘッド内のノルム保存値ダイナミクスを強制する物理インフォームトアテンションアーキテクチャであるハミルトニアン変換器を提案する。 追加のフェーズインクリメント埋め込みは、入力層で発振器ダイナミクスを公開する。 すべての実験では、WiSigデータセットからの非等化生I/Q信号を、同日分類、クロスレシーバ一般化、クロスデイ一般化、最大150台のデバイスにスケーリングする送信機という4つのプロトコルで使用する。 ハミルトニアン変圧器は、同一日の条件下で99.12%の精度、150の送信機で61.64%の精度を達成し、CNNとトランスフォーマーのベースラインを常に上回っている。 制御されたアブレーション研究は、値更新におけるノルム保存を、スケーリング優位を駆動する第一の帰納的バイアスとして特定し、フェーズインクリメントの埋め込みは、コンポーネントごとの最大改善を提供する。 これらの結果は,物理インフォームド構造を注意機構に組み込むことが,生の無線信号上での大規模送信機識別に有効な方法であることを示している。

関連論文リスト

• N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
  N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。 N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
  論文  参考訳（メタデータ） (2026-05-13T08:46:17Z)
• The Radio-Frequency Transformer for Signal Separation [29.348481060446314]
  我々は、未知の非ガウス背景/干渉によって汚染された利害信号の推定という、信号分離の問題を研究する。 我々はSOIのための優れた離散トークン化器を学び、次にエントロピー損失でエンドツーエンドのトランスフォーマーを訓練する。 提案手法は,MIT RF Challengeデータセットから実・合成混合物を合成することにより,競争性能が向上する。
  論文  参考訳（メタデータ） (2026-03-10T05:22:02Z)
• Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
  本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。 JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-19T08:12:47Z)
• Transmitter Identification via Volterra Series Based Radio Frequency Fingerprint [3.7848713545513317]
  RFF(Radio Frequency Fingerprinting)は、暗号を必要とせず、偽造に抵抗するため、有望な解決策を提供する。 既存のRFFアプローチは、しばしば統一理論と効果的な特徴抽出を欠いている。 本研究では,送信機をブラックボックスとしてモデル化し,送信信号への影響を分析する。 パブリックなLoRaデータセットの実験では、静的チャネルでは98%以上の精度で、マルチパスとドップラー効果下で90%以上の精度で、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T10:11:41Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Unified CNNs and transformers underlying learning mechanism reveals multi-head attention modus vivendi [0.0]
  畳み込みニューラルネットワーク(CNN)は、層に沿って進行する入力画像の短距離相関を評価する。 視覚変換器(ViT)アーキテクチャは、完全に接続された層からなる繰り返し変換器エンコーダを用いて、長距離相関を評価する。 本研究は,CNNとViTアーキテクチャが基盤となる学習機構の統一に由来することを示す。
  論文  参考訳（メタデータ） (2025-01-22T14:19:48Z)
• Efficient Diffusion Transformer with Step-wise Dynamic Attention Mediators [83.48423407316713]
  本稿では,クエリとキーを別々に扱うために,追加の仲介者トークンを組み込んだ新しい拡散トランスフォーマーフレームワークを提案する。 本モデルでは, 正確な非曖昧な段階を呈し, 詳細に富んだ段階へと徐々に遷移する。 本手法は,最近のSiTと統合した場合に,最先端のFIDスコア2.01を達成する。
  論文  参考訳（メタデータ） (2024-08-11T07:01:39Z)
• T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge [7.170870264936032]
  T-PRIMEはTransformerベースの機械学習アプローチである。 送信フレームの構造設計をアテンション機構を通じて学習する。 これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
  論文  参考訳（メタデータ） (2024-01-09T22:01:55Z)
• Deep Transformers without Shortcuts: Modifying Self-attention for Faithful Signal Propagation [105.22961467028234]
  ディープニューラルネットワーク(DNN)のトレーニングにおいて,スキップ接続と正規化レイヤはユビキタスである Deep Kernel Shapingのような最近のアプローチは、それらへの依存を減らすために進歩しました。 しかし、これらのアプローチは変換器に存在する自己注意層とは相容れない。
  論文  参考訳（メタデータ） (2023-02-20T21:26:25Z)
• Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
  imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
  論文  参考訳（メタデータ） (2022-05-19T15:11:20Z)
• Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
  畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。 連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
  論文  参考訳（メタデータ） (2021-03-22T18:00:13Z)

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。