論文の概要: Where You Tap Matters: A Probe-and-Model Benchmark for Open-Set RF Fingerprinting

• arxiv url: http://arxiv.org/abs/2607.21564v1
• Date: Thu, 23 Jul 2026 17:48:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.509454
• Title: Where You Tap Matters: A Probe-and-Model Benchmark for Open-Set RF Fingerprinting
• Title（参考訳）: RFフィンガープリンティングのサーベイ・アンド・モデルベンチマーク
• Abstract要約: RFFI(Radio Frequency Fingerprint Identification)は、受信した信号からデバイス固有の障害を学習することにより、物理層での送信者識別を可能にする。 我々は,標準BPSKレシーバチェーンに沿った5つのプローブポイントで収集されたデータを用いて,オープンセット・リコンストラクション・エラーRFFIの体系的実世界評価を行う。
• 参考スコア（独自算出の注目度）: 2.0299248281970956
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radio Frequency Fingerprint Identification (RFFI) enables transmitter identification at the physical layer by learning device-specific impairments from received signals, yet the literature is inconsistent about where in the receiver chain those samples should be collected. Since distinct transformations are applied to the signal by the different receiver operations, i.e., carrier recovery, gain normalization, pulse shaping, and timing recovery, they can either tighten within-transmitter variability or suppress the features RFFI requires for classification. We present a systematic real-world evaluation of open-set, reconstruction-error RFFI using data collected at five probe points along a standard BPSK receiver chain. Our results show that RFFI is strongly probe-dependent: timing recovery and, to a lesser extent, carrier recovery enable low false-acceptance operation with limited in-distribution-out-of-distribution overlap, whereas other stages often require a false-acceptance ratio above 0.1 to achieve a true-acceptance ratio of 0.9. To test the validity of our findings across model selection, we benchmark several LLM-designed autoencoders using a controlled pipeline that holds preprocessing and MSE scoring fixed. These architectures confirm that RFFI is probe-dependent. Moreover, they do not outperform the baseline at the chosen operating point and typically increase training time. Overall, probe selection dominates reconstruction-based open-set RFFI performance, more than the autoencoder complexity.
• Abstract（参考訳）: RFFI(Radio Frequency Fingerprint Identification)は、受信した信号からデバイス固有の障害を学習することで、物理層での送信者の識別を可能にする。 キャリアリカバリ、正規化、パルスシェーピング、タイミングリカバリなど、異なる受信機操作によって信号に異なる変換が適用されるため、送信機内での可変性を強化するか、RFFIが分類に必要とする特徴を抑制することができる。 我々は,標準BPSKレシーバチェーンに沿った5つのプローブポイントで収集されたデータを用いて,オープンセット・リコンストラクション・エラーRFFIの体系的実世界評価を行う。 RFFIは, 時間的回復と, より少ない範囲において, 分布内分布と分布内分布の重なりが限定される低偽受容操作を実現する一方で, 真偽受容比が0.1以上である場合, 真偽受容比が0.9。 モデル選択における実験結果の有効性を検証するために, 前処理とMSEスコアを固定した制御パイプラインを用いて, LLM設計のオートエンコーダをいくつかベンチマークした。 これらのアーキテクチャはRFFIがプローブ依存であることを確認する。 さらに、選択した操作ポイントでベースラインを上回り、通常トレーニング時間を増やすことはない。 全体として、プローブ選択は、オートエンコーダの複雑さよりも、再構成に基づくオープンセットRFFIのパフォーマンスが優位である。

関連論文リスト

• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• HoRFFI: High-Openness RF Fingerprint Identification with a Similarity-Enhanced Variational Information Bottleneck [17.050930905392374]
  HoRFFIは、スケーラブルなデバイス識別と未知デバイス拒絶をサポートする、高オープンなRFFIフレームワークである。 公共のLoRaデータセットとWi-Fiデータセットの実験は、HoRFFIが新しいクラスの精度で0.112と0.288の絶対的な改善を達成していることを示している。
  論文  参考訳（メタデータ） (2026-08-05T14:07:52Z)
• Cross-Receiver Open-Set Radio Frequency Fingerprinting via Structure-First Adaptation [9.457137244448043]
  本稿では,RFFIのための構造ファーストトレーニング(CRODA-ST)によるクロスリーチ型オープンセットドメイン適応フレームワークを提案する。 識別構造 アンカリングは、限定されたラベル付きターゲット登録サンプルからターゲット-受信者既知の参照を復元する。 WiSig ManyTxデータセットでは、CRODA-STが既知のクラス精度、受信動作特性曲線(AUROC)以下の0.9692領域、オープンセット分類率(OSCR)0.9580、偽陽性率0.0469を90%真正レート(FPR90)で達成している。
  論文  参考訳（メタデータ） (2026-06-30T03:56:42Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• 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)
• Doppler Invariant CNN for Signal Classification [0.0]
  本稿では、周波数領域における畳み込みシフトの等価性を利用する複雑な値を持つ畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 ドップラーシフトのない例では, ランダムなドップラーシフトを伴わない場合と, ランダムなドップラーシフトを伴わない場合とで, 本モデルが一貫した分類精度を維持していることを示す。
  論文  参考訳（メタデータ） (2025-11-18T16:31:13Z)
• 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)
• Cross-Receiver Generalization for RF Fingerprint Identification via Feature Disentanglement and Adversarial Training [29.396203071880905]
  高周波指紋認証(RFFI)は無線ネットワークセキュリティにとって重要な技術である。 ディープニューラルネットワークは、識別的特徴を抽出する際、顕著な能力を示してきたが、現実の展開は、受信者によって引き起こされる変動によって妨げられている。 本稿では,クロスレシーバ変動に頑健なRFFIフレームワークを提案する。 当社のアプローチは、最先端のベースラインを一貫して上回り、多様な受信設定で平均精度を最大10%向上させる。
  論文  参考訳（メタデータ） (2025-10-10T14:01:05Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。