論文の概要: Model-Adaptive and Risk-Constrained Frequency Hopping Against Predictive Jammers

• arxiv url: http://arxiv.org/abs/2609.06514v1
• Date: Sun, 06 Sep 2026 10:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.259712
• Title: Model-Adaptive and Risk-Constrained Frequency Hopping Against Predictive Jammers
• Title（参考訳）: 予測ジャマーに対するモデル適応型およびリスク制約型周波数ホッピング
• Abstract要約: D-PACT-AFH(D-PACT-AFH)は、モデル適応型およびリスク制約付き対向的コンテキスト帯域フレームワークである。 D-PACT-Hitはチャネルワイドの限界ヒットリスクをモデル選択に組み込む。 D-PACT-Safeは、スロット当たりのリスク予算を強制するために最小限のカルバック・リーブラー予測を適用します。
• 参考スコア（独自算出の注目度）: 5.594785248905854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive frequency hopping against predictive jamming must address both model uncertainty and policy exposure: the context-loss relationship may vary across operating regimes, while persistent hopping patterns may expose high-probability channels to attack. We propose D-PACT-AFH, a model-adaptive and risk-constrained adversarial contextual-bandit framework in which a Tsallis-FTRL master combines a global linear learner with a partitioned local learner and selects the model class online. D-PACT-Hit incorporates channel-wise marginal hit risk into model selection, while D-PACT-Safe applies a minimum-Kullback-Leibler projection to enforce a per-slot risk budget. We establish estimator validity under non-anticipating attacks, an oracle decomposition relative to the better fixed base, and an exact conditional-risk guarantee for the Safe projection. Experiments across diverse channel regimes and jammer types demonstrate effective model adaptation and a controllable goodput-risk tradeoff: D-PACT-AFH recovers 95.5% of the local learner's gain under observable switching while avoiding 77.7% of its degradation in a negative-control regime.
• Abstract（参考訳）: 予測ジャミングに対する適応的な周波数ホッピングは、モデルの不確実性とポリシーの露出の両方に対処する必要がある。 D-PACT-AFHは,Tsallis-FTRLマスターがグローバル線形学習者と分割ローカル学習者を組み合わせて,モデルクラスをオンラインで選択する,モデル適応型・リスク制約付き対向的コンテキスト帯域化フレームワークである。 D-PACT-Hitはチャネルワイドの限界ヒットリスクをモデル選択に組み込む一方、D-PACT-Safeはスロット当たりのリスク予算を強制するために最小のカルバック・リーブラープロジェクションを適用する。 我々は,非予測攻撃による推定値の妥当性,より優れた固定ベースに対するオラクル分解,およびセーフプロジェクションに対する厳密な条件付きリスク保証を確立する。 D-PACT-AFHは、負の制御体制における77.7%の劣化を回避しつつ、観測可能な切り替えの下で、地元の学習者の利益の95.5%を回復する。

関連論文リスト

• RS-Diffuser: Risk-Sensitive Diffusion Planning with Distributional Value Guidance [0.0]
  オフライン強化学習は、追加の環境相互作用なしに、固定データセットからポリシー学習を可能にする。 本稿では,拡散に基づく軌道生成と分布値批判を組み合わせ,リスクに敏感なオフライン拡散計画フレームワークRS-Diffuserを提案する。 リスクに敏感なD4RLと危険なロボットナビゲーションベンチマークの実験は、RS-Diffuserが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-06-26T06:51:16Z)
• Adversarially Robust Control of Conditional Value-at-Risk via Rockafellar-Uryasev Conformal Inference [15.255874441202872]
  CVaR(Conditional Value-at-Risk)を制御するオンライン分散フリーフレームワークを提案する。 古典的リスク制御法とは異なり、この手法は任意のデータ生成プロセス下で機能する非線形テールリスクに対して証明可能な安全保証を提供する。
  論文  参考訳（メタデータ） (2026-05-29T19:52:36Z)
• Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
  部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。 安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-14T01:23:09Z)
• Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
  我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。 提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:05:45Z)
• Risk-aware Direct Preference Optimization under Nested Risk Measure [23.336246526648374]
  Ra-DPO(Ra-Aware Direct Preference Optimization)は、ネストしたリスク対策を取り入れた新しいアプローチである。 3つのオープンソースデータセットに対する実験結果は、アライメント性能とモデルドリフトのバランスをとる上で、提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-26T08:01:37Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。