論文の概要: HoRFFI: High-Openness RF Fingerprint Identification with a Similarity-Enhanced Variational Information Bottleneck

• arxiv url: http://arxiv.org/abs/2608.04881v1
• Date: Wed, 05 Aug 2026 14:07:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.955651
• Title: HoRFFI: High-Openness RF Fingerprint Identification with a Similarity-Enhanced Variational Information Bottleneck
• Title（参考訳）: HoRFFI:類似性強化変分情報スロットネックを用いた高開度RF指紋識別
• Authors: Shuiguang Zeng, Yuxiang Shen, Yuanyu Zhang, Yulong Shen, Zhiyuan Tan, Houbing Herbert Song,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.050930905392374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency fingerprint identification (RFFI) is a promising technique for wireless device authentication. However, practical RFFI systems must enroll newly authorized devices while rejecting previously unseen ones, even when the feature extractor is trained on only a few labeled base-device classes, giving rise to a high-openness RFFI problem. Existing open-set recognition methods typically rely on feature spaces learned from a large and diverse set of known-device classes, limiting their applicability in practical scenarios. To address this challenge, we propose HoRFFI, a high-openness RFFI framework that supports scalable device identification and unknown-device rejection using only a small number of labeled training devices. HoRFFI employs a similarity-enhanced variational information bottleneck (SVIB)-based supervision mechanism, which reduces the encoder's dependence on training-class diversity and learns a more transferable embedding space. This supervision mechanism uses feature-space augmentation and clustering to derive inter-sample similarity information, which provides supplementary supervision for regularizing the embedding space. Experiments on public LoRa and Wi-Fi datasets show that HoRFFI achieves absolute improvements of \(0.112\) and \(0.288\) in novel-class accuracy, respectively, and corresponding absolute AUC improvements of \(0.029\) and \(0.060\) over the best-performing baselines.
• Abstract（参考訳）: 高周波指紋認証(RFFI)は無線デバイス認証において有望な技術である。 しかし、実用的なRFFIシステムは、いくつかのラベル付きベースデバイスクラスでのみ特徴抽出器を訓練しても、未確認のデバイスを拒絶しながら、新たに認証されたデバイスを登録しなければならないため、高い開度RFFI問題が発生する。 既存のオープンセット認識手法は、一般に、多種多様な既知のデバイスクラスから学んだ特徴空間に依存し、実用シナリオにおける適用性を制限する。 この課題に対処するために,少数のラベル付きトレーニングデバイスのみを用いて,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速RFFIフレームワークであるHoRFFIを提案する。 HoRFFIは、類似性強化変動情報ボトルネック(SVIB)に基づく監視機構を採用し、エンコーダのトレーニングクラスの多様性への依存性を低減し、より伝達可能な埋め込み空間を学習する。 本機構では,特徴空間拡張とクラスタリングを用いて,サンプル間類似情報を導出し,埋め込み空間を正規化するための補助的監視を行う。 公共のLoRaデータセットとWi-Fiデータセットの実験により、HoRFFIは、それぞれ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、それに対応する絶対的な AUC の改善である \(0.029\) と \(0.060\) を最高のパフォーマンスベースラインで達成している。

関連論文リスト

• Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
  Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。 本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。 シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
  論文  参考訳（メタデータ） (2026-03-11T13:41:02Z)
• 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)
• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• Open Set RF Fingerprinting Identification: A Joint Prediction and Siamese Comparison Framework [37.79439245394741]
  開集合認識のための共用無線周波数指紋予測とサイムズ比較(JRFFP-SC)フレームワークを提案する。 提案するJRFFP-SCフレームワークは,クラス間干渉を排除し,オープンセット識別に関わる課題を効果的に解決する。
  論文  参考訳（メタデータ） (2025-01-26T04:09:07Z)
• SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication System [17.391164797113134]
  RFFDL(Radio Frequency Fingerprinting through Deep Learning)は、データ駆動型IoT認証技術である。 提案されているSignCRFは、スケーラブルで、チャネルに依存しない、データ駆動の無線認証プラットフォームである。 SignCRFは,WiFiおよびLoRaデバイスの認証精度を最大5倍,8倍向上させることで,RFFDLの性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-03-21T21:11:02Z)
• One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
  この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。 RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。 変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
  論文  参考訳（メタデータ） (2023-01-20T02:35:43Z)
• 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)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• 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)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• Device Authentication Codes based on RF Fingerprinting using Deep Learning [2.980018103007841]
  Device Authentication Code (DAC) は、その無線周波数(RF)シグネチャを利用して、IoTデバイスを無線インターフェースで認証する新しい方法である。 DACは,任意の無線機器に特有の有能な特徴を抽出することにより,デバイス偽造を防止することができることを示す。
  論文  参考訳（メタデータ） (2020-04-19T01:50:29Z)

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。