論文の概要: Bayesian-Guided Cooperative RL Beamforming for Wireless Adversarial User Detection
- arxiv url: http://arxiv.org/abs/2607.25417v1
- Date: Tue, 28 Jul 2026 08:15:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.756341
- Title: Bayesian-Guided Cooperative RL Beamforming for Wireless Adversarial User Detection
- Title（参考訳）: 無線ユーザ検出のためのベイズ誘導協調RLビームフォーミング
- Abstract要約: 次世代無線ネットワークは、単純なデータ伝送を超えて、高いデータレート、効率、セキュリティを提供すると期待されている。
本研究では、ビームフォーミングと機械学習の統合により、適応的およびデータ駆動のビーム方向選択が可能となり、無線リンクの効率性とセキュリティが向上する。
本研究では、Q-learningとSARSAという強化学習に基づくアプローチが、チャネルの総容量、攻撃検出精度、性能安定性において、ランダム選択を一貫して上回っていることを示す。
- 参考スコア（独自算出の注目度）: 6.141945506223323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In next-generation wireless networks, communication systems are expected to go beyond simple data transmission and simultaneously provide high data rates, efficiency, and security. This requirement has motivated the extensive adoption of machine learning methods to develop intelligent and real-time network management frameworks, enabling the system to continuously monitor and react to channel variations and user behavior while maintaining efficient information delivery. In this context, the integration of machine learning with beamforming enables adaptive and data-driven beam direction selection, improving both the efficiency and security of wireless links. In this work, a 3GPP-based system model is first implemented under a no-attacker scenario, and an exhaustive search is employed as a reference to identify the best beamforming configurations. The proposed framework is then evaluated in the presence of an attacker and under different network scalability conditions. We demonstrate that the reinforcement learning-based approaches, namely Q-learning and SARSA (State-Action-Reward-State-Action), consistently outperform random selection in terms of total channel capacity, attacker detection accuracy, and performance stability. Among the evaluated reinforcement learning methods, Q-learning achieves the best overall trade-off between detection accuracy and computational efficiency. Our results indicate that the proposed framework provides a stable, scalable, and effective solution for joint beamforming and security-aware decision-making in dynamic and adversarial wireless environments.
- Abstract（参考訳）: 次世代無線ネットワークでは、通信システムは単純なデータ伝送を超えて、高いデータレート、効率、セキュリティを同時に提供することが期待されている。
この要件は、インテリジェントでリアルタイムなネットワーク管理フレームワークを開発するための機械学習手法の広範な採用を動機付け、効率的な情報提供を維持しながら、チャネルの変動やユーザの振る舞いを継続的に監視し、反応させることができる。
この文脈において、ビームフォーミングと機械学習の統合により、適応的およびデータ駆動のビーム方向選択が可能となり、無線リンクの効率性とセキュリティが向上する。
本研究では,まず3GPPに基づくシステムモデルをノンアタックのシナリオで実装し,最適なビームフォーミング構成を特定するための参照として網羅的探索を用いる。
提案するフレームワークは,攻撃者の存在下で,異なるネットワークスケーラビリティ条件下で評価される。
本研究では,Q-learning と SARSA (State-Action-Reward-State-Action) という強化学習に基づくアプローチが,チャネルの総容量,攻撃検出精度,性能安定性において,ランダム選択よりも一貫して優れていることを示す。
評価された強化学習手法のうち、Q-ラーニングは検出精度と計算効率のトレードオフを最大限に達成する。
提案手法は, 動的・対角的無線環境における共同ビームフォーミングとセキュリティに配慮した意思決定のための, 安定的でスケーラブルで効果的なソリューションを提供することが示唆された。
関連論文リスト
- 6G Sensing Security: Distributed Game-Theoretic RL for Urban Beamforming and Attacker Detection [6.141945506223323]
ISACにより、システムは効率的に情報を送信し、チャンネルのバリエーションやユーザの振る舞いを観察し、解釈することができる。
この能力に触発された本研究は、都市環境シナリオにおけるアクティブアタッカーの検出に焦点を当てる。
正規ユーザと攻撃者のインタラクションをモデル化するためにゲーム理論のアプローチを適用し、その結果のユーティリティベースの定式化を強化学習フレームワークに統合する。
論文 参考訳（メタデータ） (2026-07-07T10:25:46Z) - ASACK : Adaptive Safe Active Continual Koopman Learning for Uncertain Systems with Contractive Guarantees [0.38887448816036313]
クープマン作用素論 (Koopman operator theory) は、持ち上げ可観測物に作用する線型作用素を通して非線形力学を表現するための枠組みを提供する。
本稿では,学習モデルの安全かつ効率的なオンライン改善を可能にする,継続的適応型クープマン学習のための統合フレームワークを提案する。
提案したアプローチは、リアルタイム効率を犠牲にすることなく、コントロールフレームワーク内の学習、デプロイメント、安全性を統一する。
論文 参考訳（メタデータ） (2026-05-10T17:11:51Z) - Agentic AI as a Network Control-Plane Intelligence Layer for Federated Learning over 6G [47.84137752186323]
6Gネットワーク上でのフェデレーション学習を管理するための制御層としてエージェントAIを提案する。
検索、計画、コーディング、評価に焦点を当てた専門エージェントのセットは、クライアントの選択、インセンティブ構造化、スケジューリング、リソース割り当て、適応的なローカルトレーニング、コード生成を扱う。
クローズドループ評価とメモリの使用により、システムは決定を一貫して洗練することができる。
論文 参考訳（メタデータ） (2026-03-10T03:27:33Z) - RL-Aided Cognitive ISAC: Robust Detection and Sensing-Communication Trade-offs [4.7199341867016456]
本稿では,統合型センシングとコミュニケーションのための強化学習支援型認知フレームワークを提案する。
ウォルド型検出器は非ガウス的クラッタ下でのロバストな目標検出に使用される。
SARSAに基づくRLアルゴリズムは、事前の環境知識を使わずに目標位置の適応的推定を可能にする。
論文 参考訳（メタデータ） (2025-11-04T15:49:51Z) - DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。
シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T11:50:43Z) - Balancing Security and Accuracy: A Novel Federated Learning Approach for Cyberattack Detection in Blockchain Networks [10.25938198121523]
本稿では,ブロックチェーンベースのデータ共有ネットワークのセキュリティ向上を目的とした,CCD(Collaborative Cyber attack Detection)システムを提案する。
本稿では,攻撃検出精度,ディープラーニングモデル収束時間,グローバルモデル生成の全体的な実行時間など,様々なノイズタイプが重要なパフォーマンス指標に与える影響について検討する。
この結果から,データプライバシの確保とシステムパフォーマンスの維持という,複雑なトレードオフが明らかとなり,これらのパラメータを多様なCCD環境に最適化するための貴重な洞察が得られた。
論文 参考訳（メタデータ） (2024-09-08T04:38:07Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳（メタデータ） (2021-11-11T11:31:20Z) - Rethinking the Tradeoff in Integrated Sensing and Communication:
Recognition Accuracy versus Communication Rate [21.149708253108788]
ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。
センシング性能と通信性能の間にはトレードオフがある。
本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
論文 参考訳（メタデータ） (2021-07-20T17:00:35Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z)
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。