論文の概要: Masking Radar Cognition under Adversarial Surveillance: A Distributional Privacy Framework

• arxiv url: http://arxiv.org/abs/2609.07428v1
• Date: Mon, 07 Sep 2026 12:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.425042
• Title: Masking Radar Cognition under Adversarial Surveillance: A Distributional Privacy Framework
• Title（参考訳）: 対人監視下でのマスキングレーダ認知:分散プライバシフレームワーク
• Authors: Sreedevi K, Nandhini K, Anup Aprem, Deepthi P P,
• Abstract要約: 敵監視下での認知レーダ(CR)の戦略的意思決定過程を隠蔽する枠組みを提案する。 我々は,WDPCH-SUとWDPCH-DUの両方が,推論に基づく敵攻撃に対する$-distriion privacy($-DistP)を満足していることを示す。 結果は、自動走行のためのネットワークスライシングやUAV調整など、多くの6Gシナリオで非常に有望である。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this article, we propose an online electronic counter-countermeasure (ECCM) framework designed to conceal the strategic decision-making processes of a cognitive radar (CR) operating under adversarial surveillance. We model the CR under two distinct decision paradigms: a static constrained utility-maximizing behavior and a dynamic expected utility-maximizing behavior. The radar's utility function is modeled via a von Mises--Fisher (vMF) distribution, with the distributional parameter constituting the private information to be protected from adversarial inference. We adopt a distribution privacy framework to conceal this private information and provide formal distribution privacy guarantees for cognition masking. In this work, we develop cognition-hiding algorithms for both static constrained utility maximization (WDPCH-SU), and dynamic expected utility maximization (WDPCH-DU). Through rigorous mathematical analysis, we show that both WDPCH-SU and WDPCH-DU satisfy $ε$-distribution privacy ($ε$-DistP) against inference-based adversarial attacks and present the privacy--performance trade-off bounds, quantifying utility loss (in static setting) and expected utility deviation (in dynamic setting) as functions of $ε$. Numerical results show that WDPCH-SU gives about 15\% improvement in utility loss at maximum privacy compared to the existing methodology while WDPCH-DU achieves a greater reduction in adversarial Fisher information without requiring explicit Fisher information constraints, at a moderate, analytically bounded utility deviation. These results are highly promising in many 6G communication scenarios such as network slicing for automated driving and swarm UAV coordination, where it is essential to keep the resource allocation policy robust against privacy attacks.
• Abstract（参考訳）: 本稿では、敵監視下の認知レーダ(CR)の戦略的意思決定過程を隠蔽するオンライン電子カウンターカウンタ対策(ECCM)フレームワークを提案する。 我々はCRを静的制約付きユーティリティ最大化動作と動的予測ユーティリティ最大化動作の2つの異なる決定パラダイムの下でモデル化する。 レーダーの実用機能はvon Mises-Fisher (vMF) 分布を介してモデル化され、敵の推測から保護されるプライベート情報を構成する分布パラメータを持つ。 我々は、このプライベート情報を隠蔽し、認知マスキングのための公式な配布プライバシー保証を提供するために、配信プライバシ・フレームワークを採用する。 本研究では,静的制約付きユーティリティ最大化 (WDPCH-SU) と動的予測ユーティリティ最大化 (WDPCH-DU) の両方に対する認知隠れアルゴリズムを開発する。 厳密な数学的解析により、WDPCH-SUとWDPCH-DUは、予測に基づく敵攻撃に対してε$-distriion privacy(ε$-DistP)を満足し、プライバシ-パフォーマンストレードオフ境界を提示し、ε$の関数としてユーティリティ損失(静的な設定)と期待されるユーティリティ逸脱(動的設定)を定量化する。 数値解析の結果,WDPCH-SUは最大プライバシにおけるユーティリティ損失を最大で15倍改善する一方,WDPCH-DUは明確なフィッシャー情報制約を必要とせず,適度に解析的に制限されたユーティリティ偏差を伴わずに,対向的なフィッシャー情報の低減を実現していることがわかった。 これらの結果は、自動運転のためのネットワークスライシングや、プライバシー攻撃に対してリソース割り当てポリシーを堅牢に保つことが不可欠であるSwarm UAV調整など、多くの6G通信シナリオにおいて非常に有望である。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Decentralized Differentially Private Power Method [4.58112062523768]
  ネットワーク化されたマルチエージェント設定において主成分分析(PCA)を行うための分散分散微分プライベート・パワー・メソッド(D-DP-PM)を提案する。 本手法は,ネットワーク全体の固有ベクトルを協調的に推定しながら,$(epsilon,delta)$-Differential Privacy (DP)を保証する。 実世界のデータセット実験により、D-DP-PMは、単純で局所的なDPアプローチに比べて、優れたプライバシーとユーティリティのトレードオフを実現することが示された。
  論文  参考訳（メタデータ） (2025-07-30T17:15:50Z)
• Breaking the Gaussian Barrier: Residual-PAC Privacy for Automatic Privatization [27.430637970345433]
  PACプライバシーアルゴリズムによって得られる上限は、摂動機構の出力が独立雑音を伴うガウス的である場合にのみ厳密であることを示す。 本稿では,逆推定後に残るプライバシを定量化するf-divergenceベースの尺度であるResidual-PAC(R-PAC)プライバシーを紹介する。 提案手法は,任意のデータ分布に対する効率的なプライバシ予算利用を実現し,複数のメカニズムがデータセットにアクセスすると自然に構成する。
  論文  参考訳（メタデータ） (2025-06-06T20:52:47Z)
• Verifiable Exponential Mechanism for Median Estimation [4.083860866484599]
  本稿では,zk-SNARKを用いた指数関数機構の最初の検証実装を提案する。 具体的応用として、最初の検証可能な微分プライベート(DP)中央値推定法を示す。
  論文  参考訳（メタデータ） (2025-05-22T05:31:22Z)
• Privacy-Aware Multi-Device Cooperative Edge Inference with Distributed Resource Bidding [3.9287497907611875]
  モバイルエッジコンピューティング(MEC)は、人工知能(AI)アプリケーションのサポートにおいてモバイルデバイス(MD)に権限を与えている。 デバイス-エッジ協調型AI推論という大きな約束にもかかわらず、データのプライバシーはますます懸念される。 プライバシーに配慮した多デバイス協調型エッジ推論システムを開発した。
  論文  参考訳（メタデータ） (2024-12-30T16:37:17Z)
• Chained-DP: Can We Recycle Privacy Budget? [18.19895364709435]
  本稿では,ユーザが順次データアグリゲーションを実行し,プライバシ予算を再利用することのできる,新しいChained-DPフレームワークを提案する。 逐次ゲームの数学的性質を示し、そのナッシュ平衡を解き、証明可能な経済特性を持つインセンティブメカニズムを設計する。 提案手法の有効性を数値シミュレーションにより検証し,従来のLPP機構と比較して,プライバシ予算の大幅な削減と推定誤差の低減を図った。
  論文  参考訳（メタデータ） (2023-09-12T08:07:59Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)

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。