論文の概要: CLIP-guided Diffusion Model for Backdoor Generation in Sensor-based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2606.22837v1
• Date: Mon, 22 Jun 2026 04:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:16:38.808496
• Title: CLIP-guided Diffusion Model for Backdoor Generation in Sensor-based Human Activity Recognition
• Title（参考訳）: センサを用いた人間活動認識のためのCLIP誘導拡散モデル
• Authors: Toby Briston, Illya Kosyk, Kuniyih S,
• Abstract要約: ヒューマンアクティビティ認識(HAR)は、慣性計測ユニット(IMU)ベースのセンサーを使用して、健康、トレーニング、医療診断に関する洞察を提供する一般的な応用である。 本稿では,HARモデルに対するトリガベース攻撃を可能にする拡散モデルを利用したバックドアトレーニング手法IMU-DM-CLIPを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensors are critical components of modern intelligent devices. The proliferation of the Internet of Things (IoT) and wearable mobile devices has enabled the integration of such sensors to monitor the environment and enable users to take predictive actions. Human activity recognition (HAR) is a popular application in which Inertial Measurement Unit (IMU)-based sensors, such as accelerometers and gyroscopes, are used to provide insights into health, training, and medical diagnosis. However, the accuracy of such a model is hindered by the lack of data. The diffusion model-based technique has proven successful in generating synthetic data for training HAR models. In this paper, we propose a backdoor training technique, IMU-DM-CLIP, that leverages a diffusion model to enable trigger-based attacks on HAR models. Our empirical analysis shows that the attack is successful even with a very small backdoor injection rate of 10\% and 10\% of the data guided for the diffusion model.
• Abstract（参考訳）: センサーは現代のインテリジェントデバイスの重要なコンポーネントである。 IoT(Internet of Things)とウェアラブルモバイルデバイスの普及により、そのようなセンサの統合によって、環境を監視し、ユーザが予測アクションを実行できるようになりました。 HAR(Human Activity Recognition)は、加速度計やジャイロスコープなどの慣性計測ユニット(IMU)ベースのセンサーが、健康、トレーニング、医療診断に関する洞察を提供するために使われる一般的な応用である。 しかし、そのようなモデルの精度はデータの欠如によって妨げられる。 拡散モデルに基づく手法は、HARモデルを訓練するための合成データを生成することに成功している。 本稿では,拡散モデルを利用してHARモデルに対するトリガベース攻撃を可能にするバックドアトレーニング手法IMU-DM-CLIPを提案する。 実験により, 拡散モデルに導かれるデータのうち, 10 % と 10 % の非常に小さなバックドア注入でも, 攻撃は成功していることが示された。

関連論文リスト

• Dynamic Black-box Backdoor Attacks on IoT Sensory Data [0.0]
  センサデータに基づくIoTシステムに対して,ブラックボックス攻撃を行う新しい動的トリガ生成手法について論じる。 実験により,入力データに対する摂動が最小限に抑えられた各種データセットや分類器モデルにおいて,攻撃が成功したことを示す。
  論文  参考訳（メタデータ） (2025-11-18T03:07:03Z)
• Gait Recognition Based on Tiny ML and IMU Sensors [1.2289361708127877]
  本稿では,Tiny Machine Learning (Tiny ML) とInertial Measurement Unit (IMU) センサを用いた歩行認識システムの開発について述べる。 このシステムはXIAO-nRF52840 SenseマイクロコントローラとLSM6DS3 IMUセンサーを利用して、4つの異なるアクティビティから加速度と角速度を含む動きデータをキャプチャする。 収集されたデータはエッジAIプラットフォームであるEdge Impulseを通じて処理され、リアルタイムのアクティビティ分類のためにマイクロコントローラに直接デプロイ可能なマシンラーニングモデルのトレーニングが可能になる。
  論文  参考訳（メタデータ） (2025-07-24T17:59:08Z)
• Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
  ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。 我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。 以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-07-17T18:47:46Z)
• Optimizing Model Splitting and Device Task Assignment for Deceptive Signal Assisted Private Multi-hop Split Learning [58.620753467152376]
  我々のモデルでは、複数のエッジデバイスが共同で協調訓練を行い、一部の盗聴者はデバイスからモデルとデータ情報を収集することを目的としている。 盗聴者がモデルやデータ情報を集めるのを防止するため、装置のサブセットは、偽装信号を送信することができる。 本稿では,本質的な好奇性モジュールとクロスアテンションを備えたアクター批判型深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T22:53:23Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Score Forgetting Distillation: A Swift, Data-Free Method for Machine Unlearning in Diffusion Models [63.43422118066493]
  マシン・アンラーニング(MU)は安全でセキュアで信頼性の高いGenAIモデルを開発する上で重要な基盤である。 従来のMUメソッドは、しばしば厳密な仮定に依存し、実際のデータへのアクセスを必要とする。 本稿では,拡散モデルにおいて望ましくない情報を忘れることを促進する革新的なMUアプローチであるScore Forgetting Distillation (SFD)を紹介する。
  論文  参考訳（メタデータ） (2024-09-17T14:12:50Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Unsupervised Statistical Feature-Guided Diffusion Model for Sensor-based Human Activity Recognition [3.2319909486685354]
  ウェアラブルセンサーによる人間の活動認識の進歩を支えている重要な問題は、多様なラベル付きトレーニングデータの利用不可能である。 本研究では,ウェアラブルセンサを用いた人間行動認識に特化して最適化された,教師なしの統計的特徴誘導拡散モデルを提案する。 平均,標準偏差,Zスコア,歪などの統計情報に拡散モデルを適用し,多種多様な合成センサデータを生成する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:59Z)
• Am I fit for this physical activity? Neural embedding of physical conditioning from inertial sensors [0.0]
  Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。 本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。 公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。 PCE-LSTMは平均絶対誤差を10%以上下げる。
  論文  参考訳（メタデータ） (2021-03-22T18:00:27Z)

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。