論文の概要: Privacy-Preserving Decentralized Cooperative Localization with Range-Only Measurements: A Convex Optimization Based Approach

• arxiv url: http://arxiv.org/abs/2606.29673v1
• Date: Mon, 29 Jun 2026 00:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.00257
• Title: Privacy-Preserving Decentralized Cooperative Localization with Range-Only Measurements: A Convex Optimization Based Approach
• Title（参考訳）: レンジオンリー測定によるプライバシ保護型分散協調型位置決め:凸最適化に基づくアプローチ
• Abstract要約: 従来の協調的なアプローチでは、ネットワーク全体で明示的な空間座標を共有する必要がある。 本稿では,凸最適化に基づくプライバシ保護型分散協調型ローカライゼーションフレームワークを提案する。 当社のフレームワークは,運用上のプライバシを保証し,高度にスケーラブルで並列化可能な計算を維持しつつ,既存のSDPベースのローカライゼーション手法を精度良く実現している。
• 参考スコア（独自算出の注目度）: 12.542964150821321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative localization using range-based measurements is critical for multi-robot systems operating in GPS-denied and unstructured environments. However, traditional cooperative approaches require sharing explicit spatial coordinates across the network, presenting a severe security vulnerability in privacy-sensitive missions. While recent literature has explored privacy-preserving alternatives, these methods typically rely on accuracy-degrading noise injection or computationally prohibitive cryptographic protocols. To overcome these limitations, we propose a novel, natively privacy-preserving Decentralized Cooperative Localization (DCL) framework based on convex optimization. Discarding probabilistic noise models, we assume strictly bounded measurement noise and formulate the localization problem via Semi-Definite Programming (SDP) to compute a Maximum-Volume Inscribed Ellipsoid (MVE). Our approach introduces novel intersection-plane constraints derived from landmark measurements to significantly tighten individual spatial bounds. To incorporate inter-robot range measurements securely, we uniquely decompose coupling constraints into localized Linear Matrix Inequalities (LMIs). Agents achieve fleet-wide spatial consensus by iteratively exchanging only abstract dual variables, completely avoiding the transmission of explicit primal position estimates. Extensive 3D Monte Carlo simulations demonstrate that our DCL framework outperforms existing SDP-based localization method in accuracy, while guaranteeing operational privacy and maintaining highly scalable, parallelizable computation.
• Abstract（参考訳）: GPSと非構造環境で動作するマルチロボットシステムにおいて,レンジベース測定を用いた協調的位置決めが重要である。 しかし、従来の協調的なアプローチでは、ネットワーク全体で明示的な空間座標を共有する必要があり、プライバシーに敏感なミッションにおいて深刻なセキュリティ上の脆弱性が提示される。 近年の文献では、プライバシー保護に代わる方法が検討されているが、これらの手法は通常、精度の低下したノイズ注入や、計算的に禁止された暗号プロトコルに依存している。 このような制約を克服するため、凸最適化に基づく、ネイティブにプライバシを保存する分散協調局所化(DCL)フレームワークを提案する。 確率的雑音モデルから、厳密な有界な測定ノイズを仮定し、半有限計画法(SDP)を用いて局所化問題を定式化し、最大体積印加楕円体(MVE)を計算する。 提案手法では, ランドマーク測定から導かれる新しい交叉面制約を導入し, 空間境界を著しく厳格化する。 ロボット間距離の測定を安全に行うため,結合制約を局所線形行列不等式(LMI)に一意に分解する。 エージェントは、抽象的双対変数のみを反復的に交換し、明示的な原始位置推定の伝達を完全に回避することで、艦隊全体の空間的コンセンサスを達成する。 大規模な3Dモンテカルロシミュレーションにより、我々のDCLフレームワークは、既存のSDPベースのローカライゼーション手法よりも精度が高く、かつ、運用上のプライバシを保証し、高度にスケーラブルで並列化可能な計算を維持できることを示した。

関連論文リスト

• Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC [52.33021019321273]
  近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。 パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。 本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T20:03:33Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Interpolation-Based Optimization for Enforcing lp-Norm Metric Differential Privacy in Continuous and Fine-Grained Domains [9.320305401683438]
  メートル微分プライバシ(mDP)は、ペア距離に基づいてプライバシー保証を適用することで、ローカル微分プライバシ(LDP)を一般化する。 既存の最適化に基づく手法は、粗いドメインにおけるユーティリティ損失を効果的に削減する。 このような領域で lp-norm mDP を最適化するための計算ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T00:12:54Z)
• A Pseudo Global Fusion Paradigm-Based Cross-View Network for LiDAR-Based Place Recognition [12.93382945887946]
  LiDARベースのPlace Recognition(LPR)は、Embodied Artificial Intelligence(AI)とAutonomous Drivingにおいて重要なタスクである。 既存のアプローチは、ユークリッド距離に基づく距離学習タスクへの位置認識を減らし、特徴空間の固有の構造やクラス内分散を無視している。 本稿では,これらの課題に対処する革新的な融合パラダイムに基づく,新しいクロスビューネットワークを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:12:48Z)
• Adaptive Differentially Quantized Subspace Perturbation (ADQSP): A Unified Framework for Privacy-Preserving Distributed Average Consensus [6.364764301218972]
  本稿では適応微分量子化部分空間(ADQSP)という一般手法を提案する。 本研究では,単一の量子化パラメータを変化させることで,提案手法がSMPC型の性能とDP型性能に異なることを示す。 この結果から,従来の分散信号処理ツールを暗号保証に活用する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-12-13T07:52:16Z)
• DPZero: Private Fine-Tuning of Language Models without Backpropagation [49.365749361283704]
  DPZeroは、ほぼ次元に依存しない新しいゼロオーダーアルゴリズムである。 DPZeroのメモリ効率は、いくつかの下流タスクでプライベートに微調整されたRoBERTaとOPTで実証される。
  論文  参考訳（メタデータ） (2023-10-14T18:42:56Z)
• Differentially Private Distributed Convex Optimization [0.0]
  分散最適化では、複数のエージェントが協力し、局所的な目的の和として表される大域的目的関数を最小化する。 ローカルに保存されたデータは、他のエージェントと共有されないため、機密性の高いデータを持つアプリケーションにおけるDOの実用的使用を制限する可能性がある。 本稿では,制約付き凸最適化モデルに対するプライバシー保護型DOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-28T12:07:27Z)
• Differentially Private Decentralized Optimization with Relay Communication [1.2695958417031445]
  プライバシリーク頻度(PLF)は,アルゴリズムの通信とプライバシリークの関係を明らかにする指標である。 DP-RECAL は, 演算子分割法と中継通信機構を利用して, PLF の低減を図っている。
  論文  参考訳（メタデータ） (2022-12-21T09:05:36Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
  ローカル手法は通信時間を短縮する有望なアプローチの1つである。 局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的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） (2022-02-12T15:12:17Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)

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。