論文の概要: FreqSpaNet: Frequency and Spatial Learning of SFPF for Physical Layer Hardware Integrity Detection

• arxiv url: http://arxiv.org/abs/2609.17491v1
• Date: Tue, 15 Sep 2026 17:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.638616
• Title: FreqSpaNet: Frequency and Spatial Learning of SFPF for Physical Layer Hardware Integrity Detection
• Title（参考訳）: FreqSpaNet:物理層ハードウェア統合検出のためのSFPFの周波数と空間学習
• Abstract要約: 不正なハードウェア置換は、物理的実装を変更しながら、無線デバイスの論理的アイデンティティを保持することができる。 本稿では,オープンセットハードウェア異常検出のためのSFPF表現学習ネットワークであるFreqSpaNetを提案する。 実験の結果、FreqSpaNetはベースラインの96.31%、9.05ポイントの平均AUROCを達成した。
• 参考スコア（独自算出の注目度）: 10.511520584001856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unauthorized hardware replacement can preserve a wireless device's logical identity while altering its physical implementation, posing a challenge to hardware integrity verification. Spatio-frequency polarization fingerprints (SFPFs) capture device-dependent responses across multiple frequencies and directions, but their frequency and spatial dimensions exhibit different structural dependencies. We propose FreqSpaNet, an SFPF representation learning network for open set hardware anomaly detection. A frequency branch captures local variations among neighboring frequencies, while a geometry-aware spatial branch models directional relationships using angular information. The two representations are combined through adaptive fusion, and complementary pretraining further captures shared information while preserving the distinct characteristics of the frequency and spatial representations. Experiments show that FreqSpaNet achieves a mean AUROC of 96.31\%, 9.05 points above the baseline. Results under seven hardware replacement scenarios further verify the effectiveness of FreqSpaNet.
• Abstract（参考訳）: 不正なハードウェア置換は、物理的実装を変更しながら無線デバイスの論理的アイデンティティを保持し、ハードウェアの整合性検証に挑戦する。 周波数偏光指紋(SFPF)は、複数の周波数と方向にわたるデバイス依存応答をキャプチャするが、その周波数と空間次元は異なる構造的依存関係を示す。 本稿では,オープンセットハードウェア異常検出のためのSFPF表現学習ネットワークであるFreqSpaNetを提案する。 周波数分岐は近傍周波数の局所的な変動を捉えるが、幾何学的空間分岐は角情報を用いて方向関係をモデル化する。 この2つの表現は、適応的融合によって結合され、相補的事前学習は、周波数および空間的表現の異なる特性を保ちながら、共有情報をさらにキャプチャする。 実験の結果、FreqSpaNetはベースライン上の96.31\%、9.05ポイントの平均AUROCを達成した。 7つのハードウェア代替シナリオによる結果は、FreqSpaNetの有効性をさらに検証する。

関連論文リスト

• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Dynamic Frequency Feature Fusion Network for Multi-Source Remote Sensing Data Classification [32.953456430800685]
  ハイパースペクトル画像(HSI)と合成開口レーダ(SAR)のための動的周波数特徴融合ネットワーク(DFFNet)を提案する。 具体的には、入力特徴を集約することで周波数領域のフィルタカーネルを動的に学習する動的フィルタブロックを設計する。 2つのベンチマークデータセットの実験により、DFFNetはマルチソースデータ分類における最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-06T19:14:44Z)
• F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation [10.67983913373955]
  F2Netは、UHR画像を特殊な処理のために高周波数成分と低周波数成分に分解する周波数認識フレームワークである。 ハイブリッド周波数融合モジュールは、2つの新しい目的によって導かれるこれらの観測を統合する。 F2Netは、それぞれ80.22のmIoUと83.39の最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-09T15:09:49Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Multiple Contexts and Frequencies Aggregation Network forDeepfake Detection [5.65128683992597]
  ディープフェイク検出は、大量で多様なディープフェイク技術の開発において、生成モデルの急速な成長以来、課題に直面している。 近年の進歩は、バックボーン内の一般的な偽造特徴をモデル化するのではなく、空間領域や周波数領域からの特徴の導入に依存している。 2つのコアモジュールからなるMkfaNetという顔偽造検出のための効率的なネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-03T05:34:53Z)
• SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation [9.22384870426709]
  本稿ではSFFNet(Spatial and Frequency Domain Fusion Network)フレームワークを提案する。 第1段階は空間的手法を用いて特徴を抽出し、十分な空間的詳細と意味情報を持つ特徴を得る。 第2段階は、これらの特徴を空間領域と周波数領域の両方にマッピングする。 SFFNetはmIoUの点で優れた性能を示し、それぞれ84.80%と87.73%に達した。
  論文  参考訳（メタデータ） (2024-05-03T10:47:56Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。