論文の概要: Out-of-Distribution (OOD) Detectors for Open-Set RF Fingerprinting
- arxiv url: http://arxiv.org/abs/2606.12718v1
- Date: Wed, 10 Jun 2026 22:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.482631
- Title: Out-of-Distribution (OOD) Detectors for Open-Set RF Fingerprinting
- Title（参考訳）: オープンセットRFフィンガープリント用アウト・オブ・ディストリビューション(OOD)検出器
- Authors: Sudeepta Mondal, Ganesh Sundaramoorthi,
- Abstract要約: RFフィンガープリントシステムは、未知の送信機や時間的ドリフトからの信号がテスト時に分布シフトを起こすようなオープンワールド環境では動作しなければなりません。
アウト・オブ・ディストリビューション(OOD)検出はこの問題の自然な枠組みを提供するが、RFフィンガープリント(RFF)への応用は限定的である。
本稿では,機械学習文献からオープンセットRFFドメインへのOOD検出手法の有望なセットを紹介する。
- 参考スコア（独自算出の注目度）: 2.9005223064604078
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio-frequency (RF) fingerprinting systems must operate in open-world environments where signals from unknown transmitters and temporal drift introduce distribution shift at test time. Out-of-distribution (OOD) detection provides a natural framework for this problem, yet its application to RF fingerprinting (RFF) remains limited. A key barrier to their adoption is that most OOD detectors require auxiliary OOD data for parameter tuning, an assumption that is difficult to satisfy in RF environments where representative OOD data is impractical to collect. In this work, we introduce a promising set of OOD detection methods from the machine learning literature to open-set RFF domain. We present these methods within a unified mathematical framework based on information theory, which is a natural framework for communication systems. Our framework allows for the systematic analysis of methods and development of new methods. We further demonstrate the applicability of recent work on tuning OOD detectors without given OOD tuning data for open-set RFF. We evaluate on the POWDER RF fingerprinting dataset, showing that detectors tuned without any given OOD data achieve performance comparable to baselines with access to true OOD tuning data and greatly out-perform baseline approaches without access to true OOD tuning data, showcasing the practical viability for the RFF problem.
- Abstract（参考訳）: RFフィンガープリントシステムは、未知の送信機や時間的ドリフトからの信号がテスト時に分布シフトを起こすようなオープンワールド環境では動作しなければなりません。
アウト・オブ・ディストリビューション(OOD)検出はこの問題の自然な枠組みを提供するが、RFフィンガープリント(RFF)への応用は限定的である。
それらを採用する上で重要な障壁は、ほとんどのOOD検出器がパラメータチューニングのために補助的なOODデータを必要とすることである。
本稿では,機械学習文献からオープンセットRFFドメインへのOOD検出手法の有望なセットを紹介する。
本稿では,これらの手法を,情報理論に基づく統一的な数学的枠組みの中で提示する。
我々のフレームワークは、メソッドの体系的な分析と新しいメソッドの開発を可能にします。
さらに、オープンセットRFFのためのOODチューニングデータを付与することなく、OOD検出器のチューニングに関する最近の研究の適用性を実証する。
我々は,POWDER RF フィンガープリントデータセットを用いて,真の OOD チューニングデータへのアクセスと,真の OOD チューニングデータへのアクセスを必要とせずに,ベースラインに匹敵する性能を実現し,実際の RFF 問題に対する実用可能性を示す。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - Multi-layer Radial Basis Function Networks for Out-of-distribution Detection [39.20664681478215]
放射基底関数ネットワーク(RBFN)は本質的に分類信頼度とOOD検出をリンクする。
我々は、容易に訓練できる多層ラジアル基底関数ネットワーク(MLRBFN)を開発した。
論文 参考訳（メタデータ） (2025-01-05T18:11:42Z) - Uncertainty-Aware Out-of-Distribution Detection with Gaussian Processes [13.246251147975192]
ディープニューラルネットワーク(DNN)はしばしばクローズドワールドの前提の下で構築される。
OODサンプルは、現実世界のアプリケーションでトレーニングフェーズで必ずしも利用できない。
InDデータのみに基づく決定境界を確立するために,ガウス過程に基づくOOD検出手法を提案する。
論文 参考訳（メタデータ） (2024-12-30T12:57:31Z) - Enhancing OOD Detection Using Latent Diffusion [3.4899193297791054]
Out-of-Distribution(OOD)検出は、現実のシナリオにおけるマシンラーニングモデルの信頼性の高いデプロイに不可欠である。
近年の研究では、安定拡散のような生成モデルを用いて、画素空間の外部値データを合成する方法が検討されている。
我々は,潜伏空間内でOOD学習データを生成する新しいフレームワークであるOutlier-Aware Learning (OAL)を提案する。
論文 参考訳（メタデータ） (2024-06-24T11:01:43Z) - Out-of-distribution Detection Learning with Unreliable
Out-of-distribution Sources [73.28967478098107]
アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。
通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。
本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-06T16:26:52Z) - Igeood: An Information Geometry Approach to Out-of-Distribution
Detection [35.04325145919005]
Igeoodは, オフ・オブ・ディストリビューション(OOD)サンプルを効果的に検出する手法である。
Igeoodは任意のトレーニング済みニューラルネットワークに適用され、機械学習モデルにさまざまなアクセス権を持つ。
Igeoodは、さまざまなネットワークアーキテクチャやデータセットにおいて、競合する最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-15T11:26:35Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳（メタデータ） (2020-11-03T01:46:35Z) - FOOD: Fast Out-Of-Distribution Detector [43.31844129399436]
FOODは、最小の推論時間オーバーヘッドでOODサンプルを効率的に検出できる拡張ディープニューラルネットワーク(DNN)である。
SVHN, CIFAR-10, CIFAR-100データセット上でのFOODの検出性能を評価する。
以上の結果から, FOODは最先端性能の達成に加えて, 実世界のアプリケーションにも適用可能であることが示唆された。
論文 参考訳（メタデータ） (2020-08-16T08:22:43Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。