論文の概要: GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection
- arxiv url: http://arxiv.org/abs/2607.23059v1
- Date: Sat, 25 Jul 2026 06:05:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.985253
- Title: GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection
- Title（参考訳）: GLST:Stealthy Multi-Attacker機能注入に対する信頼性駆動型V2X協調認識の回避
- Abstract要約: 協調的知覚は、接続された車両がV2Xを介して中間機能を交換できるようにすることで、自律的な知覚を改善する。
信頼駆動スパース通信は、知覚クリティカルな空間領域のみを送信することによって帯域幅を削減する。
ひとたび協力者が妥協すると、高信頼領域や自我不確実領域における悪意のある特徴が優先的に選択され、融合中に増幅される。
我々は,3つの相補的な視点から協力者の信頼性を評価する軽量防衛であるグローバルローカル構造信頼(GLST)を提案する。
- 参考スコア（独自算出の注目度）: 18.564330660698676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative perception (CP) improves autonomous-driving perception by enabling connected vehicles to exchange intermediate features via V2X. Confidence-driven sparse communication reduces bandwidth by transmitting only perception-critical spatial regions, but creates a security risk: once a collaborator is compromised, malicious features in high-confidence or ego-uncertain regions may be preferentially selected and amplified during fusion. Using Where2comm as a representative framework, we show that the proposed Pretend Benign attack exploits its spatial-confidence mechanism by injecting stealthy perturbations into uncertain yet perception-critical regions, substantially degrading 3D object detection while preserving benign-like feature characteristics. Beyond this attack-framework pair, we identify a broader weakness of existing trust-based defenses: their reliance primarily on a single consistency signal leaves them vulnerable when multiple attackers form a pseudo-consensus that biases trust estimation. We therefore propose Global-Local Structural Trust (GLST), a lightweight defense that assesses collaborator reliability through three complementary perspectives: global feature consistency, multi-scale local residual consistency, and structural consistency with ego-side semantic topology. The resulting trust scores guide feature fusion to suppress unreliable collaborators. Experiments on OPV2V show that GLST achieves competitive performance against single-attacker Pretend Benign attacks and substantially stronger robustness in multi-attacker settings. Under a four-attacker Pretend Benign attack, GLST maintains 0.69 AP@0.3, whereas existing single-signal defenses degrade severely. GLST also remains effective against gradient-based attacks such as PGD, indicating that multi-level trust modeling is essential for securing confidence-driven CP.
- Abstract（参考訳）: 協調知覚(CP)は、接続された車両がV2Xを介して中間機能を交換できるようにすることで、自律的な知覚を改善する。
信頼駆動のスパース通信は、認識クリティカルな空間領域のみを伝達することで帯域幅を減少させるが、セキュリティリスクを生じさせる。
本論文では,Where2commを代表的フレームワークとして用い,提案したPretend Benignアタックは,不確実かつ認識クリティカルな領域にステルスな摂動を注入し,良性的な特徴を保ちながら3次元物体の検出を著しく劣化させることにより,空間信頼度を生かしていることを示す。
このアタック・フレームワーク・ペア以外にも、既存の信頼ベースの防御のより広範な弱点を特定します。それらは、主に単一の一貫性信号に依存しているため、複数のアタッカーが信頼推定をバイアスする擬似合意を形成すると、それらが脆弱になります。
そこで我々は,グローバルな特徴整合性,マルチスケールな局所的残留性,エゴ側のセマンティックトポロジーとの構造整合性という,3つの相補的な視点を通じて協調的信頼性を評価する軽量な防衛法であるグローバルローカル構造信頼(GLST)を提案する。
その結果得られた信頼スコアは、信頼できない協力者を抑制するために特徴融合を導く。
OPV2Vの実験では、GLSTはシングルアタックのPretend Benign攻撃に対する競合性能と、マルチアタックのセッティングにおける強力な堅牢性を実現している。
GLSTは4人の攻撃者であるPretend Benign攻撃の下で0.69 AP@0.3を維持している。
GLSTはPGDのような勾配に基づく攻撃に対しても有効であり、信頼性駆動CPの確保にはマルチレベル信頼モデリングが不可欠であることを示している。
関連論文リスト
- Shared Vulnerabilities in Robustness-Optimized Defenses: One Breach Exposes the Family [22.335085458688372]
対向的頑健性最適化は、対向的摂動下での正しい予測を維持することを目的としている。
新たなセキュリティリスクを特定します。これらのゲインは、防衛全体で共有脆弱性を発生させます。
より厳密な転送専用プロトコルと、故意に単純な適応攻撃であるPGDTransferを導入し、ロバストネス最適化された防御が転送専用脆弱性を共有するかどうかを検証する。
論文 参考訳（メタデータ） (2026-07-20T01:17:28Z) - 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) - TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。
我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。
我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
論文 参考訳（メタデータ） (2026-04-30T13:44:01Z) - TraceGuard: Process-Guided Firewall against Reasoning Backdoors in Large Language Models [19.148124494194317]
我々は,小規模モデルを堅牢な推論ファイアウォールに変換するプロセス誘導型セキュリティフレームワークであるTraceGuardを提案する。
提案手法は,推理トレースを信頼できないペイロードとして扱い,詳細な防衛戦略を確立する。
グレーボックス設定における適応的敵に対する堅牢性を実証し、TraceGuardを実用的で低レイテンシなセキュリティプリミティブとして確立する。
論文 参考訳（メタデータ） (2026-03-02T22:19:13Z) - Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。
このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
論文 参考訳（メタデータ） (2026-01-30T16:38:05Z) - Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification [52.63017280231648]
人物再識別(ReID)は、歩行者軌道追跡などの現実の多くの応用において、基本的な課題である。
Person ReIDモデルは、歩行者画像に対する知覚不能な摂動が完全に誤った予測を引き起こすような、敵の攻撃に非常に敏感である。
本稿では,2つの相からなる二重不変防衛フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-13T03:56:40Z) - GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks [56.983319121358555]
フェデレートラーニング(FL)は、プライバシ保護のための協調モデルトレーニングを可能にするが、敵の行動に弱いままである。
本稿では,予測精度とグループフェアネスを同時に損なう新たな脅威モデルであるデュアル顔攻撃(DFA)を紹介する。
本稿では,少量のクリーンサーバデータを用いて,公正な参照モデルを維持する自己適応型防衛フレームワークであるGuardFedを提案する。
論文 参考訳（メタデータ） (2025-11-12T13:02:45Z) - The Trust Paradox in LLM-Based Multi-Agent Systems: When Collaboration Becomes a Security Vulnerability [7.452202188661883]
我々はTrust-Vulnerability Paradox(TVP)を紹介し,実証的に検証する。
TVP: 調整を強化するためのエージェント間信頼の増大は、過剰な露出と過剰な認可のリスクを同時に拡大する。
本研究は,TVPを定式化し,統一されたメトリクスで再現可能なベースラインを確立するとともに,マルチエージェントシステム設計において,信頼性を第一級セキュリティ変数としてモデル化し,スケジュールする必要があることを示す。
論文 参考訳（メタデータ） (2025-10-21T12:18:39Z) - GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection [11.336965062177722]
協調的知覚は、悪意のあるエージェントからの敵対的なメッセージ攻撃に対して脆弱である。
本稿では,既存の単発外乱検出手法を損なう新しい盲検領域混乱(BAC)攻撃を明らかにする。
本稿では、空間的時間的認識による悪意のあるエージェント検出に基づくガード付き協調認識フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-05T06:03:26Z) - Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。
本研究では,長尾分布下における敵対的脆弱性と防御について検討する。
我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
論文 参考訳（メタデータ） (2021-04-06T17:53:08Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳（メタデータ） (2020-06-08T20:42:39Z)
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。