論文の概要: SFPF: Spatio-Frequency Polarization Fingerprint for Anomalous Wireless Device Detection

• arxiv url: http://arxiv.org/abs/2609.21873v1
• Date: Fri, 18 Sep 2026 15:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.157644
• Title: SFPF: Spatio-Frequency Polarization Fingerprint for Anomalous Wireless Device Detection
• Title（参考訳）: SFPF: 異常無線デバイス検出のための時空間偏光フィンガープリント
• Abstract要約: 高周波指紋(RFF)は、代替ハードウェアが正統なハードウェアに似ている場合、分離が不十分である可能性がある。 ある観察方向の偏光指紋(PF)は、一様偏光変化を見逃す可能性がある。 本稿では,複数の周波数における複素偏光応答を表す偏光指紋(SFPF)を提案する。
• 参考スコア（独自算出の注目度）: 7.264777397062017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Periodic inspection of deployed wireless devices is necessary because unauthorized hardware replacement may preserve communication functions, credentials, and logical identity, making anomalous devices difficult to detect. Such inspections are conducted under controlled measurement conditions to verify that each device remains consistent with its enrolled hardware state. Conventional radio-frequency fingerprint (RFF) may provide insufficient separation when replacement hardware closely resembles legitimate hardware, while a polarization fingerprint (PF) constructed at one observation direction may miss spatially nonuniform polarization changes. This paper proposes the spatio-frequency polarization fingerprint (SFPF), which jointly represents complex polarization responses over multiple frequencies and observation directions; conventional PF is its fixed-direction slice. We derive SFPF formation from hardware-dependent modal excitation, directional far-field radiation, and polarization projection. A first-order sensitivity analysis shows that the response to the same hardware change varies with both frequency and direction, motivating joint spatio-frequency acquisition. Electromagnetic simulations confirm the nonuniform spatio-frequency sensitivity and show that, under the same observation budget, SFPF improves normalized distance, Fisher score, and the inter-/intra-class ratio over PF by 17.7%, 45.8%, and 11.3%, respectively. Experiments show that SFPF consistently outperforms RFF and PF over 0--20~dB. At 15--20~dB, SFPF achieves anomalous-device F1 scores of 87.3--90.4% and AUROC values of 85.4--95.5%.
• Abstract（参考訳）: 無線機器の定期的な検査は、不正なハードウェア置換が通信機能、認証情報、論理的アイデンティティを保護し、異常なデバイスの検出が困難になるため必要である。 このような検査は、制御された測定条件下で行われ、各デバイスがその登録されたハードウェア状態と整合性を維持する。 従来の高周波指紋(RFF)は、交換ハードウェアが正常なハードウェアによく似ている場合、分離が不十分であり、一方の観測方向に構成された偏光指紋(PF)は空間的に不均一な偏光変化を見逃す可能性がある。 本稿では、複数の周波数および観測方向にわたる複雑な偏光応答を共同で表現するスポース周波数偏光指紋(SFPF)を提案する。 SFPFの形成は、ハードウェア依存のモーダル励起、指向性遠距離放射、偏光投影から導かれる。 1次感度解析により、同じハードウェアの変化に対する応答は、周波数と方向の両方で変化し、関節のスパ比周波獲得を動機付けていることが示された。 電磁シミュレーションにより非均一な周波数感度が確認され、同じ観測予算の下で、SFPFは正常化距離、フィッシャースコア、およびPFよりも17.7%、45.8%、11.3%のインター/イントラ比を改善することが示されている。 15-20~dBでは、SFPFは87.3--90.4%、AUROC値は85.4--95.5%である。

関連論文リスト

• FreqSpaNet: Frequency and Spatial Learning of SFPF for Physical Layer Hardware Integrity Detection [10.511520584001856]
  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。
  論文  参考訳（メタデータ） (2026-09-15T17:32:12Z)
• Interpretable Feature Learning for RF Fingerprinting via Polar MKANs [4.904092547705666]
  Polar Monotonic Kolmogorov-Arnold Networks (Polar MKAN) は、極性入力上のブロック分割単調エンコーダである。 合成ゲインとキャリア周波数オフセットのベンチマークでは、Polar MKANは57.2%のDCI Disentanglementに達する。
  論文  参考訳（メタデータ） (2026-08-20T10:42:33Z)
• Stokes-Informed Diffusion for Robust Linear Polarization Estimation [49.459667092743445]
  GenPolar(ゲンポーラー)は、ミュラー形式主義を基盤としたストークスインフォームド拡散フレームワークである。 DLPの忠実度とAoPの安定性の両面において最先端の性能を達成する。 これらの改善は、物質検出やデフレクションを含む下流アプリケーションにおいて、顕著で一貫した利益をもたらす。
  論文  参考訳（メタデータ） (2026-07-23T11:56:15Z)
• An Explainable FFT-Based Spatial-Frequency Fusion Framework for Deepfake Detection [1.8549313085249324]
  近年の研究では、空間的特徴と周波数的特徴を組み合わせることで、独立して使用するよりも強い検出結果が得られることが示されている。 本稿では,Fast Fourier Transform (FFT) を用いた画像レベルの深度検出のためのマルチスケールクロスアテンションフレームワーク MSCA-FFT を提案する。
  論文  参考訳（メタデータ） (2026-07-19T23:45:40Z)
• SpecGradFilter: A Spectral Gradient Filtering Framework for Taming Federated Heterogeneity [57.84199526590779]
  フェデレートラーニング(FL)は、非ID分散(非IID)データがクライアントのドリフトを誘導し、グローバルな収束を阻害する統計的不均一性によって根本的に挑戦される。 本研究では,新しい周波数領域の観点からクライアントのドリフトを再考し,Drift のスペクトルバイアスを明らかにする。 そこで本研究では,低周波信号の不一致を抑えることで不均一性を解消するスペクトルフィルタリンググラディエント・フレームワークであるSpecGradFilterを提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:23:35Z)
• FreqKD: Frequency-Decoupled Cross-Modal Knowledge Distillation for Infrared Object Detection [2.4089107936585235]
  大規模RGB基礎モデルから知識蒸留(KD)による赤外線画像への移行は依然として困難である。 本稿では,周波数分離蒸留フレームワークであるFreqKDを提案する。 KAISTマルチスペクトル歩行者検出では、FreqKDは64.1 mAP50を達成し、DINOv2ベースラインで2.4ポイント向上した。
  論文  参考訳（メタデータ） (2026-06-10T01:55:55Z)
• DSTAN-Med: Dual-Channel Spatiotemporal Attention with Physiological Plausibility Filtering for False Data Injection Attack Detection in IoT-Based Medical Devices [1.1459450491541954]
  インターネット・オブ・メディカル・モノ(IoMT)センサーに対するFalse Data Injection(FDI)攻撃は、トランジットにおける重要な兆候を偽る。 既存のディープラーニング検出器は、センサ間の空間的相関と、共有潜在空間における時間的依存関係を分割する。 DSTAN-Medは多変量センサウインドウを独立センサワイド(SWA)および時間ワイド(TWA)自己アテンション経路を介してルーティングする教師付きフレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T22:39:47Z)
• Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
  本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。 雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。 適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
  論文  参考訳（メタデータ） (2026-05-04T15:42:58Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• 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)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)

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。