Fugu-MT 論文翻訳(概要): C$^2$T-OpenMax: A Novel Open-Set WiFi RF Fingerprinting Method via Center Constrained Learning and Confidence-Guided Tail Modeling

論文の概要: C$^2$T-OpenMax: A Novel Open-Set WiFi RF Fingerprinting Method via Center Constrained Learning and Confidence-Guided Tail Modeling

arxiv url: http://arxiv.org/abs/2609.02007v1
Date: Wed, 02 Sep 2026 02:32:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.031865
Title: C$^2$T-OpenMax: A Novel Open-Set WiFi RF Fingerprinting Method via Center Constrained Learning and Confidence-Guided Tail Modeling
Title（参考訳）: C$^2$T-OpenMax: Center Constrained Learning and Confidence-Guided Tail Modelingによる新しいオープンセットWiFi RFフィンガープリント法
Abstract要約: C$2$T-OpenMaxは、中心制約付き学習と信頼誘導型テールモデリングを組み合わせた拡張OpenMaxフレームワークである。パブリックWiFi CSIデータセットの実験によると、C$2$T-OpenMaxは8つのロケーショングループのうち7つで最も高いオープンセット精度を達成している。
参考スコア（独自算出の注目度）: 25.093572323642395
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radio frequency fingerprinting (RFF) enables device authentication from transmitter-specific hardware imperfections, but practical deployment requires cross-environment open-set recognition. Data augmentation improves environmental generalization, yet may yield dispersed, low-confidence known-class representations that distort the class statistics used by OpenMax. To address this problem, we propose C$^2$T-OpenMax, an enhanced OpenMax framework combining center-constrained learning with confidence-guided tail modeling. The former improves intra-class compactness, making class-wise representations more suitable for distance-based modeling. The latter retains only correctly classified, high-confidence logits for mean activation vector estimation and Weibull fitting, reducing bias from ambiguous boundary samples. Together, the two modules refine representation geometry and OpenMax construction while preserving augmentation benefits. Experiments on a public WiFi CSI dataset show that C$^2$T-OpenMax achieves the highest open-set accuracy in seven of eight location groups and outperforms all baselines in area under the receiver operating characteristic curve (AUROC) and open-set classification rate (OSCR) across every tested openness level. Under the largest-openness setting, it improves accuracy by 12.31%, AUROC by 0.0887, and OSCR by 0.0856 over the augmented OpenMax baseline.
Abstract（参考訳）: RFF(Radio frequency fingerprinting)は、送信機固有のハードウェア不完全性からデバイス認証を可能にするが、実用的な展開には環境横断型オープンセット認識が必要である。データ拡張は環境の一般化を改善するが、OpenMaxのクラス統計を歪ませる分散した低信頼の既知のクラス表現をもたらす可能性がある。この問題を解決するために,中心制約付き学習と信頼誘導型テールモデリングを組み合わせた拡張OpenMaxフレームワークであるC$^2$T-OpenMaxを提案する。前者はクラス内コンパクト性を改善し、クラスワイド表現は距離ベースモデリングにより適している。後者は、平均活性化ベクトル推定とワイブルフィッティングのために、正しく分類された高信頼ロジットのみを保持し、曖昧な境界サンプルからのバイアスを低減している。 2つのモジュールは、拡張の利点を保ちながら、表現幾何学とOpenMaxの構成を洗練させる。 C$^2$T-OpenMaxは8つの位置群のうち7つの位置群で最大開集合精度を達成し、受信機動作特性曲線(AUROC)およびオープンセット分類率(OSCR)以下の領域で全てのベースラインを上回っている。最大開度設定では、精度は12.31%向上し、AUROCは0.0887、OSCRは0.0856向上したOpenMaxベースラインである。

関連論文リスト

LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
論文参考訳（メタデータ） (2026-06-03T06:07:33Z)
Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
論文参考訳（メタデータ） (2025-05-10T17:15:49Z)
GHOST: Gaussian Hypothesis Open-Set Technique [10.426399605773083]
大規模認識手法の評価は通常、全体的な性能に重点を置いている。オープンセット認識(OSR)における公平性に対処し,クラスごとのパフォーマンスが劇的に変化することを示す。 Zスコア正規化をロジットに適用し、モデルの期待から逸脱する特徴量の影響を軽減する。
論文参考訳（メタデータ） (2025-02-05T16:56:14Z)
VAEMax: Open-Set Intrusion Detection based on OpenMax and Variational Autoencoder [5.733432394442812]
我々はOpenMaxと変分オートエンコーダを用いて二重検出モデルVAEMaxを提案する。まず,一次元畳み込みニューラルネットワークに基づくフローペイロードの特徴を抽出する。その後、OpenMaxはフローの分類に使用され、その間に未知の攻撃が検出され、残りは既知のフローの特定のクラスに誤って分類される。
論文参考訳（メタデータ） (2024-03-07T03:48:47Z)
DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
論文参考訳（メタデータ） (2023-08-16T11:22:36Z)
Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
論文参考訳（メタデータ） (2023-05-19T23:52:48Z)
MetaMax: Improved Open-Set Deep Neural Networks via Weibull Calibration [5.8022510096020525]
オープンセット認識(Open-set recognition)とは、トレーニング中に見られなかったクラスが推論時に現れる問題を指す。 OpenMaxは、オープンセット認識に対処する最初のディープニューラルネットワークベースのアプローチである。本稿では,クラスのアクティベーションベクトルを直接モデル化することで,従来の手法を改良した,より効率的な後処理手法であるMetaMaxを提案する。
論文参考訳（メタデータ） (2022-11-20T05:10:33Z)
OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。 Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
論文参考訳（メタデータ） (2022-10-22T08:54:15Z)
OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。 OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
論文参考訳（メタデータ） (2021-04-07T06:19:24Z)
Fully Convolutional Open Set Segmentation [3.1446335485087764]
オープンセットセマンティックセグメンテーションを効果的に扱うための2つの完全な畳み込みアプローチを提案する。 OpenFCNはよく知られたOpenMaxアルゴリズムに基づいており、セグメンテーション設定でこのアプローチの新しいアプリケーションを設定する。 OpenPCSは、DNNアクティベーションの機能空間に基づいた完全に新しいアプローチであり、PCAを計算するための機能として機能する。
論文参考訳（メタデータ） (2020-06-25T19:40:20Z)

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。