論文の概要: Physically Consistent Null Space Alignment for Detection of Low-Magnitude False Data Injection Attacks

• arxiv url: http://arxiv.org/abs/2606.08473v1
• Date: Sun, 07 Jun 2026 06:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.13006
• Title: Physically Consistent Null Space Alignment for Detection of Low-Magnitude False Data Injection Attacks
• Title（参考訳）: 低次Falseデータインジェクション攻撃検出のための物理的に一貫性のあるヌル空間アライメント
• Authors: Xin Li, Chenhan Xiao, Jonathan Cohen, Aviad Elyashar, Yang Weng, Rami Puzis,
• Abstract要約: 偽データインジェクション攻撃(FDIA)は、インジェクションされた信号がシステムモデルの擬似ヌル空間と一致した場合、電力系統状態推定において大きなずれを引き起こす可能性がある。 既存のモデルおよびデータ駆動検出器は、擬似ヌル空間に隠された変化を無視するため、そのような低マグニチュードだが高インパクト攻撃を識別できない可能性がある。 本稿では,物理ヌル空間と測定から導出される擬似ヌル空間との間の幾何学的対応を前処理により保存し,ステルス性FDIAを検出するフレームワークであるPCNSAを提案する。
• 参考スコア（独自算出の注目度）: 11.81457841153631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: False data injection attacks (FDIAs) introducing small measurement perturbations can still cause large deviations in power system state estimation when the injected signals align with the pseudo-null space of the system model. Existing model- and data-driven detectors may fail to identify such low-magnitude but high-impact attacks because residual tests ignore changes hidden in the pseudo-null space, while subspace learning methods capture correlation patterns without enforcing physical consistency. This paper proposes Physically Consistent Null Space Alignment (PCNSA), a framework that detects stealthy FDIAs by preserving, through preprocessing, the geometric correspondence between the physical null space and the measurement-derived pseudo-null space. The key point is a Pseudo-null Space Conserved data Preprocessing (PSCP) step that re-expresses measurements in the physical coordinate frame before subspace extraction. We prove that PSCP preserves the separation between row space and its orthogonal complement, a property that conventional per-feature standardization violates. This keeps the singular value decomposition (SVD)-derived pseudo-null subspace aligned with the physical residual space without explicit knowledge of H. Experiments on IEEE 14-, 30-, 57-, and 118-bus systems confirm this principle in practice: stealthy attacks that evade XTM, LSTM, AE and Isolation Forest baselines appear as clear deviations in the aligned subspace, yielding higher F1-score and detection accuracy while remaining robust under partial observability and realistic PMU noise.
• Abstract（参考訳）: FDIA(False Data Injection attack)は、小さな測定摂動を導入した場合、インジェクションされた信号がシステムモデルの擬似ヌル空間と一致する場合、電力系統の状態推定において大きなずれを引き起こす可能性がある。 既存のモデルおよびデータ駆動型検出器は、擬似ヌル空間に隠された変化を無視するため、そのような低次かつ高インパクトな攻撃を特定することができず、サブスペース学習法は物理的一貫性を強制することなく相関パターンをキャプチャする。 本稿では,物理ヌル空間と測定から導出される擬似ヌル空間との間の幾何学的対応を前処理により保存し,ステルス性FDIAを検出するフレームワークであるPCNSAを提案する。 キーポイントはPseudo-null Space Conserved Data Preprocessing (PSCP) ステップである。 我々は,PSCPが行空間と直交補空間の分離を保っていることを証明した。 IEEE 14-, 30-, 57-, 118-busシステムによる実験では、XTM, LSTM, AE, および分離森林のベースラインが整列部分空間における明らかな偏差として現れ、部分可観測性と現実的なPMUノイズの下で頑健なまま高いF1スコアと検出精度が得られる。

関連論文リスト

• Beyond Point Estimates: Benchmarking Uncertainty Quantification Methods on the AION-1 Astronomical Foundation Model [47.71489969727656]
  Conformalized Quantile Regression (CQR)は、最も貧弱なモデル予測で、ビン内で最高のカバレッジを提供する。 局所的妥当性判別(Locally Valid and Discriminative, LVD)フレームワークのみが、有限サンプルの局所的妥当性を提供する。
  論文  参考訳（メタデータ） (2026-06-05T18:29:19Z)
• Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems [11.81457841153631]
  AI駆動型データセンターと大規模エネルギーストレージシステムは、リアルタイム計測データと自動意思決定による電力系統運用への依存度を高めている。 多くの既存の検出方法は、統計的またはデータ駆動による測定分析に依存しており、攻撃者が同じデータ構造を利用して盗聴の摂動を発生させると失敗する可能性がある。 本稿では,オートエンコーダが測定多様体を学習し,ジャコビアンヌル空間に整合した摂動を生成するブラインド・ファルス・データ・インジェクション・アタック(FDIA)を実証する。 ヌル空間を利用するデータ駆動型FDIAを緩和するため、トポロジインフォームド・サイクロン空間検出器(CSD)を提案する。
  論文  参考訳（メタデータ） (2026-05-27T17:36:18Z)
• Physics from Video: Identifiability of Time-Invariant Second-Order ODEs under Minimal Trajectory Conditions [60.2784641643737]
  ビジュアルリアリズムと物理的な理解のギャップを埋めることは、ビデオベースの世界モデルにとって重要な課題である。 原画素からの連続時間物理法則の構造識別可能性について検討した。 レベルセットの傾斜被覆条件は、学習された潜伏空間が真の物理的状態に局所的に親和的であることを証明する。
  論文  参考訳（メタデータ） (2026-05-27T13:22:29Z)
• Pressure-Testing Deception Probes in LLMs: Scaling, Robustness, and the Geometry of Deceptive Representations [5.218766876318545]
  LLMのアクティベーションをトレーニングした線形プローブは、騙し検出指標としてますます提案されているが、AUROCは分布シフトの下で崩壊しながらクリーンなベンチマークで0.96を超えることを報告している。 本稿では, Gemma 3 モデルファミリ(1B-27B パラメータ)における圧力-プローブ-ベースの測定値について, 系統的に検討する。 1) 単線方向, (2) 多次元部分空間, (3) 凸円錐殻, (4) エントロピープロキシの4つの仮説を検証した。
  論文  参考訳（メタデータ） (2026-05-27T04:51:55Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• Uncertainty-Calibrated Spatiotemporal Field Diffusion with Sparse Supervision [15.213950046367538]
  スパース観測のみから学習するマスク条件拡散フレームワークであるSOLIDを提案する。 訓練と評価は観測対象の場所のみを使用し、密度の高いフィールドは必要とせず、事前計算も不要である。
  論文  参考訳（メタデータ） (2026-02-17T16:56:55Z)
• Subspace Defense: Discarding Adversarial Perturbations by Learning a Subspace for Clean Signals [52.123343364599094]
  敵の攻撃は、正常な例に基づいて慎重に摂動を行い、ディープニューラルネットワーク(DNN)を騙す まず,低次元線形部分空間において,クリーン信号と逆方向の摂動の特徴が冗長であり,重なりが最小であることを示す。 これにより、DNNは、摂動が破棄されている間、クリーン信号の特徴のみが存在する部分空間を学習することができる。
  論文  参考訳（メタデータ） (2024-03-24T14:35:44Z)
• A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data [0.0]
  本稿では,潜時次元相関を計測し,近距離異常と遠距離異常の両方を効果的に検出するカーネル化オートエンコーダを提案する。 多目的関数は2つの目標を持ち、頑健なMD距離の形で潜在特徴空間内の相関情報を計測する。
  論文  参考訳（メタデータ） (2023-01-01T19:40:06Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。