Fugu-MT 論文翻訳(概要): Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning

論文の概要: Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning

arxiv url: http://arxiv.org/abs/2607.08137v1
Date: Thu, 09 Jul 2026 06:18:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.42413
Title: Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning
Title（参考訳）: ツインアウェア・フェデレーション強化学習による自律走行システムのセキュア化
Abstract要約: 中毒攻撃は、フェデレート強化学習(FRL)システムのセキュリティと信頼性に重大な脅威をもたらす。 algは安全クリティカルな運転シナリオ用に設計されたFRLシステムの堅牢性向上を目的としたフレームワークである。 algは、リハーサルベースの学習のためにデジタルツインを戦略的に統合し、過去の集約モデルパラメータを活用する。
参考スコア（独自算出の注目度）: 18.401916683479676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated reinforcement learning (FRL) is crucial for enabling collaborative learning across multiple agents without sharing raw data, thereby enhancing privacy and scalability in the decision-making process within dynamic vehicular environments. However, poisoning attacks pose a significant threat to the security and reliability of FRL-based systems, particularly in safety-critical autonomous driving, where this vulnerability remains largely unexplored. These attacks can compromise the global control model by subtly injecting malicious system parameters, leading to potential hazards. To counter these challenges, we present \alg (\underline{Sec}ure \underline{A}ggregation with \underline{p}oisoning-\underline{p}revention and historical reinforcement) as a defensive framework aimed at enhancing the robustness of FRL systems designed for safety-critical driving scenarios. \alg strategically integrates digital twins for rehearsal-based learning and leverages historical aggregated model parameters along with a selected central gradient to ensure that only benign data is aggregated, effectively mitigating the influence of malicious agents. Theoretical guarantees are provided for the convergence performance of \alg in the presence of poisoning attacks. We also validate the effectiveness of \alg using developed digital twins that model realistic highway environments to evaluate the control of autonomous vehicles under adversarial conditions.
Abstract（参考訳）: フェデレーション強化学習(FRL)は、生データを共有せずに複数のエージェント間で協調学習を可能にするために重要であり、動的車両環境における意思決定プロセスにおけるプライバシーとスケーラビリティを向上させる。しかし、毒殺攻撃はFRLベースのシステムのセキュリティと信頼性に重大な脅威をもたらす。これらの攻撃は、悪意のあるシステムパラメータを微妙に注入することで、グローバルコントロールモデルを損なう可能性がある。これらの課題に対処するため,安全上重要な運転シナリオを対象としたFRLシステムの堅牢性向上を目的とした防御的枠組みとして, \alg (\underline{Sec}ure \underline{A}ggregation with \underline{p}oisoning-\underline{p}revention and historical reinforcement) を提案する。 \algは、リハーサルベースの学習のためにデジタルツインを戦略的に統合し、選択された中央勾配とともに過去の集約されたモデルパラメータを活用して、良質なデータのみを集約し、悪意のあるエージェントの影響を効果的に軽減する。理論的な保証は、毒殺攻撃の存在下での \alg の収束性能に与えられる。また, 現実的な高速道路環境をモデル化し, 対向条件下での自動運転車の制御を評価するデジタルツインを用いて, \algの有効性を検証した。

関連論文リスト

A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation [0.0]
本稿では,自律運転安全性検証のためのリスクFfeld拡張閉ループディジタルツインフレームワークを提案する。このフレームワークは、物理データ取得、データ同期、仮想双対再構築、リスク認識シナリオ生成、自律運転アルゴリズム評価、安全分析を統合している。この研究は、明示的なリスク構造をデジタル双生児に組み込むことで、自律運転検証をより標的にし、解釈し、再利用可能なものにすることができることを示唆している。
論文参考訳（メタデータ） (2026-07-07T14:33:49Z)
World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。 World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文参考訳（メタデータ） (2026-06-18T06:28:33Z)
Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。本稿では,複雑な構成機構の認証のためのフレームワークを提案する。複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
論文参考訳（メタデータ） (2026-05-20T22:17:29Z)
Guiding Neuro-Symbolic Scenario Generation with Spatio-Temporal Logic [3.071933369858584]
本稿では,安全クリティカルな運転シナリオをターゲットとするフレームワークSTRELGenを紹介する。これらの仕様の満足度レベルを監視することは、グラデーションベースの検索を可能にする。これによりSTRELGenは、ストレステスト自律運転システムのための柔軟で解釈可能で強力なツールを提供する。
論文参考訳（メタデータ） (2026-05-18T19:00:14Z)
BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
論文参考訳（メタデータ） (2026-02-23T18:19:46Z)
Self-Guard: Defending Large Reasoning Models via enhanced self-reflection [54.775612141528164]
Self-Guardは、大規模推論モデルのための軽量な安全防御フレームワークである。これは認識とコンプライアンスのギャップを埋め、モデルユーティリティを損なうことなく堅牢な安全性能を達成する。セルフガードは、さまざまな未知のリスクとさまざまなモデルスケールにまたがる強力な一般化を示す。
論文参考訳（メタデータ） (2026-01-31T13:06:11Z)
Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。 CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
論文参考訳（メタデータ） (2026-01-05T05:20:16Z)
Learning from Risk: LLM-Guided Generation of Safety-Critical Scenarios with Prior Knowledge [25.50999678115561]
本稿では,条件付き変分オートエンコーダ(CVAE)と大規模言語モデル(LLM)を統合した高忠実なシナリオ生成フレームワークを提案する。我々のフレームワークは、リスクの高いイベントやロングテールイベントのカバレッジを大幅に向上させ、シミュレートされたトラフィック分布と実世界のトラフィック分布の一貫性を改善し、既存のルールやデータ駆動方式よりもはるかに難しいインタラクションに自律運転システムを公開します。
論文参考訳（メタデータ） (2025-11-25T09:53:09Z)
SafeAgent: Safeguarding LLM Agents via an Automated Risk Simulator [77.86600052899156]
LLM(Large Language Model)ベースのエージェントは、現実のアプリケーションにますますデプロイされる。完全自動合成データ生成によるエージェント安全性を体系的に向上する最初のフレームワークであるAutoSafeを提案する。 AutoSafeは安全性のスコアを平均で45%向上させ、現実世界のタスクでは28.91%の改善を実現している。
論文参考訳（メタデータ） (2025-05-23T10:56:06Z)
SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文参考訳（メタデータ） (2023-12-31T04:14:43Z)
Safety-aware Causal Representation for Trustworthy Offline Reinforcement Learning in Autonomous Driving [33.672722472758636]
オフライン強化学習(RL)アプローチは、オフラインデータセットからのシーケンシャルな意思決定問題に対処する上で、顕著な効果を示す。一般化可能なエンドツーエンド駆動ポリシの学習を容易にするために,saFety-aware strUctured Scenario representation (Fusion)を導入した。様々な運転シナリオにおける実証的な証拠は、フュージョンが自律運転エージェントの安全性と一般化性を著しく向上させることを証明している。
論文参考訳（メタデータ） (2023-10-31T18:21:24Z)

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。