論文の概要: Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting

• arxiv url: http://arxiv.org/abs/2607.09760v2
• Date: Tue, 14 Jul 2026 11:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 14:59:31.836387
• Title: Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting
• Title（参考訳）: クロス環境RFフィンガープリントのための捕捉型プロトタイプ校正による物理インフォーム構造
• Abstract要約: RFFI(Radio frequency fingerprint Identification)は、IoT(Internet of Things)デバイス用の送信機固有のハードウェア不完全性を利用する。 本稿では,PISA-CAPC(Captain-Aware prototype calibration)を固定した物理情報構造を提案し,表現と判定のミスマッチに対処する。
• 参考スコア（独自算出の注目度）: 9.281236432794417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency fingerprint identification (RFFI) exploits transmitter-specific hardware imperfections as physicallayer identity cues for Internet of Things (IoT) devices, but deep models often degrade across acquisition environments. In multi-antenna reception, antenna topology and frequencyoffset dynamics structure receiver observations, while capturedependent variation distorts target embeddings and misaligns source-trained decision boundaries. This article proposes physicsinformed structure anchoring with capture-aware prototype calibration (PISA-CAPC) to address both representation and decision mismatches. The two stages separate source representation construction from target decision correction. During source training, PISA organizes antenna tokens through a topology-guided graph, conditions propagation on CFO-derived acquisition dynamics, and applies bounded contextual residual suppression to preserve identity evidence. At deployment, unlabeled capture-aware prototype calibration (U-CAPC) estimates capture-local prototypes and recalibrates target decision scores while keeping the representation and source classifier fixed. Thus, calibration uses neither target labels nor target-domain backbone updates. On a measured WiFi benchmark with four receive antennas and ten transmitters, PISA-CAPC achieves a mean target-domain Macro-F1 of 0.9257 under a balanced transductive setting. Component ablations support complementary roles for topology-guided anchoring, CFO-conditioned modulation, reliability-aware token aggregation, contextual suppression, and capture-aware calibration. These results indicate that physically motivated representation learning can be combined with labelfree decision calibration to improve cross-environment RFFI under the evaluated protocol without changing the deployed backbone.
• Abstract（参考訳）: RFFI(Radio frequency fingerprint Identification)は、送信機固有のハードウェア欠陥をIoT(Internet of Things)デバイス用の物理層IDキューとして活用するが、ディープモデルは取得環境全体にわたって劣化することが多い。 マルチアンテナ受信では、アンテナトポロジと周波数オフセットのダイナミックス構造は受信機を観察するが、キャプチャ依存の変動はターゲットの埋め込みとソース訓練された決定境界を誤る。 本稿では,PISA-CAPC(Captain-Aware prototype calibration)を固定した物理情報構造を提案し,表現と判定のミスマッチに対処する。 2つの段階は、ソース表現構築を目標決定補正から分離する。 ソーストレーニング中、PISAはトポロジ誘導グラフを通じてアンテナトークンを整理し、CFO由来の取得ダイナミクスの条件伝搬を行い、境界付き文脈残留抑制を適用してアイデンティティの証拠を保存する。 デプロイ時に、ラベル付きキャプチャ対応プロトタイプキャリブレーション(U-CAPC)は、キャプチャローカルプロトタイプを推定し、表現とソース分類器を固定したまま、ターゲット決定スコアを補正する。 したがって、キャリブレーションはターゲットラベルもターゲットドメインのバックボーン更新も使用しない。 4つの受信アンテナと10個の送信機を備えたWiFiベンチマークでは、PISA-CAPCは平均目標領域のマクロF1を0.9257の平衡トランスダクティブ設定で達成する。 コンポーネントの短縮は、トポロジ誘導アンカー、CFO条件付変調、信頼性対応トークン集約、コンテキスト抑制、キャプチャ対応キャリブレーションの補完的な役割をサポートする。 これらの結果から, 物理動機付け型表現学習とラベルなし意思決定校正を組み合わせることで, 配置したバックボーンを変更することなく, 評価プロトコル下での環境横断RFFIを改善することが可能であることが示唆された。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• DKDNet: Dual Knowledge and Data-Driven Network for Cross-Domain Automatic Modulation Classification [45.220843998540545]
  我々は,コミュニケーションプロトコルと物理原理を基盤とした信号事前知識を,ドメイン間表現学習を強化する潜在的方法として検討する。 本稿では、まず、異なる信号先行をインスタンス化する5つの一般的な信号表現を解析する。 これに基づいて、クロスドメインAMCに対して、二重知識・データ駆動ネットワーク(DKDNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-09T01:14:42Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
  フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。 勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。 本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
  論文  参考訳（メタデータ） (2026-02-12T06:32:49Z)
• Attention-Enhanced Graph Filtering for False Data Injection Attack Detection and Localization [0.0]
  偽データインジェクション攻撃(FDIA)は、測定の整合性を妥協し、信頼性の高いシステム操作を脅かす。 本稿では,自動回帰移動平均 (ARMA) グラフフィルタをトランスフォーマーアーキテクチャと統合したFDIA検出およびローカライズフレームワークを提案する。 提案手法は,IEEE 14-および300-busシステムに適用されたNYISO(New York Independent System Operator)の実際の負荷データを用いて評価する。
  論文  参考訳（メタデータ） (2026-01-26T21:33:47Z)
• Exploiting Radio Frequency Fingerprints for Device Identification: Tackling Cross-receiver Challenges in the Source-data-free Scenario [17.211137756661955]
  本稿では、ソースレシーバからのラベル付き信号に事前学習されたモデルが、ターゲットレシーバからのラベルなし信号に適応しなければならない、ソースデータフリーなクロスレシーバRFFI問題を提案する。 我々は,運動量中心誘導型ソフト擬似ラベルを組み込んだSCRFFIの新しい手法であるMomentum Soft pseudo-label Source hypothesis Transfer (MS-SHOT)を提案する。 MS-SHOTは、精度とロバスト性の両方において既存のアプローチを一貫して上回り、RFFIにおけるソースデータフリーなクロスレシーバ適応のための実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-12-18T15:20:33Z)
• Uncertainty-Guided Selective Adaptation Enables Cross-Platform Predictive Fluorescence Microscopy [65.15943255667733]
  自動深度選択機能付きサブネットワーク画像翻訳ADDA(SIT-ADDA-Auto)について紹介する。 より深い層を凍結しながら、最も初期の畳み込み層のみを適応させることで、信頼できる転送が得られることを示す。 この結果から,マイクロスコープにおけるラベルなし適応の設計規則とフィールド設定のレシピが提供され,コードが公開されている。
  論文  参考訳（メタデータ） (2025-11-15T03:01:05Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
  本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。 ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。 実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
  論文  参考訳（メタデータ） (2021-10-04T11:08:32Z)

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。