論文の概要: How Much Do RF Drone Benchmarks Overstate? A Controlled Study and Theory of Data Leakage in UAV Signal Identification

• arxiv url: http://arxiv.org/abs/2607.01025v1
• Date: Wed, 01 Jul 2026 14:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.946533
• Title: How Much Do RF Drone Benchmarks Overstate? A Controlled Study and Theory of Data Leakage in UAV Signal Identification
• Title（参考訳）: RFドローンの国家的基準はどれくらいあるか?UAV信号識別におけるデータ漏洩の制御と理論
• Abstract要約: RFセンシングは、対無人航空システム(counter-UAS)防衛における中心的なモダリティである。 RFによるドローンの検知と識別の精度は、しばしば非常に高い。 その多くは、少数の連続記録を短いセグメントに分割するクロスバリデーションを用いて得られる。 これは、トレーニングとテストのパーティションの両方で、同じレコードのほぼ重複したスライスを配置し、データ漏洩を発生させる。
• 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) sensing is a central modality for counter-unmanned-aerial-system (counter-UAS) defence because it exploits the control, telemetry, and video links between a drone and its operator. Reported accuracies for RF-based drone detection and identification are often very high, but many are obtained using cross-validation that splits a small number of continuous recordings into short segments. This can place near-duplicate slices of the same recording in both training and test partitions, creating data leakage. We study this leakage problem through theory and measurement. We formalise the optimism of segment-level cross-validation and show, using Cover's function-counting theorem, that a classifier can exactly memorise the recording-to-label map when the number of independent recordings, R, is small relative to the feature dimension, d. In particular, this can occur when 2R is less than or approximately equal to d. Under these conditions, naive accuracy approaches 1, and the inflation gap approaches 1 - ACC*, where ACC* is the Bayes accuracy. The inflation eases only once R grows beyond this separability threshold. A controlled synthetic experiment with 10 seeds confirms the predicted curves: naive balanced accuracy rises from the Bayes level toward 1.0 as recording-specific nuisance variation grows, while honest recording-grouped evaluation declines to chance, with a gap reaching about 0.5. On the public DroneRF dataset, pooled leave-one-recording-out cross-validation shows drone type identification, AR versus Bebop, collapsing from a naive macro-F1 of 0.74 to 0.46, the two-class chance level. A leakage-pathway ablation attributes essentially all of the inflation to segment-level leakage.
• Abstract（参考訳）: RFセンシングは、ドローンとそのオペレーター間の制御、テレメトリ、ビデオリンクを利用するため、対人無人航空システム(counter-UAS)防衛において中心となるモダリティである。 RFをベースとしたドローン検出と識別の精度は高いことが多いが、その多くは少数の連続記録を短いセグメントに分割するクロスバリデーションを用いて得られる。 これは、トレーニングとテストのパーティションの両方で、同じレコードのほぼ重複したスライスを配置し、データ漏洩を発生させる。 我々はこの漏洩問題を理論と測定を通して研究する。 セグメントレベルのクロスバリデーションの楽観性を定式化し、Coverの関数カウント定理を用いて、独立記録数 R が特徴次元 d に対して小さい場合に、分類器が正確に記録-ラベルマップを記憶できることを示す。 特に、これは 2R が d より小さいか、ほぼ等しいときに起こる。 これらの条件下では、ナイーブ精度が1に近づき、インフレーションギャップが1 - ACC* に近づき、ACC* がベイズ精度となる。 インフレはRがこの分離性しきい値を超えると緩和する。 10種の種子を用いた制御された合成実験により, ベイズレベルから1.0まで平均的平衡精度が上昇し, 記録特異的なニュアンス変動が増大する一方, 記録グループ評価は確率的に低下し, ギャップは0.5程度に達した。 パブリックなDroneRFデータセットでは、プールド・ワン・レコーティング・アウト・クロスバリデーションが、ドローンのタイプ識別であるAR対Bebopが、2階級のチャンスレベルである0.74から0.46に崩壊していることを示している。 リークパスウェイのアブレーションは、基本的にインフレの全てをセグメントレベルのリークに起因している。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Rigid-Covert GNSS Spoofing of UAV Swarms: A Structural Blind Spot, Its Detection Limit, and Absolute-Anchor Defenses [0.0]
  協力的なUAV-s防衛は、通常、測定されたドローン間幾何学に対する位置を横断的にチェックする。 共通でゆっくりと変化する変換(剛体被覆シフト、RigidShift)は、全ての対距離を保ち、従って、相対ウォームのみの検出器では観測できない。 本研究では,流体間距離からSwarm形状を再構築する集中型アンカールート回収パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-07T07:15:55Z)
• A global predicted-fMRI drive signal from TRIBE does not predict YouTube replay heatmaps [0.0]
  マルチモーダル脳エンコーディングモデルは、自然なビデオに対するfMRI応答を高精度に予測する。 TRIBEを48本のYouTubeビデオで実行し、秒単位のエンゲージメント曲線に対する予測された皮質反応を削減します。 TRIBEの入力ストリームでプローブを実行すると、少なくとも小さな境界線視覚ストリーム信号が明らかになる。 我々は、YouTubeのSABRストリーミングに堅牢なコード、ビデオIDマニフェスト、ヒートマップ取得方法をリリースする。
  論文  参考訳（メタデータ） (2026-07-01T19:03:17Z)
• Real-Time Source-Free Object Detection [40.10658212485104]
  自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。 我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-30T15:38:56Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• Beyond ROC-AUC: Operating-Point Performance Reporting for Biometric Verification [0.0]
  生体認証器は、しばしば厳密な偽一致予算で展開されるので、スコア範囲の狭く低い偽一致率(FMR)スライスのみを使用する。 実際には、受信機動作特性曲線(ROC-AUC)の下の1つの領域が分解能として報告されている。 完全なROC-AUCでは、FMR = 10-3では、より強く見えることが示されている。
  論文  参考訳（メタデータ） (2026-06-13T15:28:54Z)
• Counterfactual Likelihood Tests for Indirect Influence in Private Reasoning Channels [51.56484100374058]
  本稿では,私的推論チャネル間の影響を測定するための実証実験について述べる。 この方法は、上流のプライベートブロックを長さマッチングドナーブロックに置き換え、公開トークンシーケンスと下流ターゲットを固定し、下流ターゲットの負のログに似たシフトを測定する。
  論文  参考訳（メタデータ） (2026-05-18T20:27:43Z)
• Beyond the Fold: Quantifying Split-Level Noise and the Case for Leave-One-Dataset-Out AU Evaluation [1.7159330469510958]
  クロスバリデーション自体が測定可能な分散をもたらすことを示す。 BP4D+では、3倍の主成分排他的分割を繰り返して、平均F1で平均0.065ドルという経験的なノイズフロアを生成する。 さらに、5つのAUデータセットにわたるLeave-One-Dataset-Outプロトコルを用いて、データセット間のロバスト性を評価する。
  論文  参考訳（メタデータ） (2026-04-02T15:28:55Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)

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。