論文の概要: Learning Defensive Policies against Diverse Inference Attacks for Smart Meter Privacy

• arxiv url: http://arxiv.org/abs/2609.25484v1
• Date: Mon, 21 Sep 2026 23:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.141384
• Title: Learning Defensive Policies against Diverse Inference Attacks for Smart Meter Privacy
• Title（参考訳）: スマートメータプライバシのための異種推論攻撃に対する防御策の学習
• Abstract要約: 非侵入的負荷監視として知られる推論攻撃は、集約信号からアプライアンスレベルの推論を実行することができる。 SMプライバシ保護をブラックボックス推論防衛問題として定式化し,アプライアンスレベルの情報の回復可能性を低減することを目的とした。 自己管理された集合構造プライバシープローブは、復元可能な負荷構造を破壊するために、再構成エラーに基づく代理報酬を提供する。
• 参考スコア（独自算出の注目度）: 0.8125368885437911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart meter (SM) data provides fine-grained visibility into household energy consumption, but also exposes users to privacy risks. Inference attacks, known as non-intrusive load monitoring (NILM), can perform appliance-level inference from aggregate signals and recover sensitive behavioral patterns. In practice, attacker models are unknown and heterogeneous, making robust defense challenging. We formulate SM privacy protection as a black-box inference defense problem, aiming to reduce the recoverability of appliance-level information while generalizing across diverse and unseen attackers. We propose a proxy-guided hierarchical reinforcement learning framework that learns battery-based load-shaping policies to inject realistic but misleading appliance-level signatures into the aggregate signal, thereby disrupting the structured patterns exploited by NILM. A self-supervised aggregate-structure privacy probe provides a reconstruction-error-based surrogate reward for disrupting recoverable load structure, while a signature library makes the perturbations appliance-relevant and physically realizable through battery control. We provide theoretical rationale showing that proxy-guided optimization improves inference robustness under attacker diversity. Experiments on real-world datasets UK-DALE and REDD demonstrate strong cross-model and cross-appliance generalization. Across six unseen NILM attackers, covering four appliances on UK-DALE and five on REDD, our proposed defense increases average appliance-level RMSE by 107% and 166%, respectively, while reducing F1 score by 79% and 80%.
• Abstract（参考訳）: スマートメーター(SM)データは、家庭のエネルギー消費を詳細に可視化するだけでなく、ユーザのプライバシーリスクを露呈する。 非侵入負荷監視(NILM)として知られる推論攻撃は、集約信号からアプライアンスレベルの推論を実行し、敏感な行動パターンを回復することができる。 実際には、攻撃モデルは未知であり、異種であり、堅牢な防御を困難にしている。 我々は,SMプライバシ保護をブラックボックス推論防衛問題として定式化し,多様な攻撃者に対して一般化しながら,アプライアンスレベルの情報の回復可能性を低減することを目的とする。 そこで本研究では, 蓄電池型負荷整形ポリシーを学習し, 現実的だが誤解を招くアプライアンスレベルのシグネチャを集約信号に注入し, NILMが活用する構造パターンを乱すための, プロキシ誘導型階層型強化学習フレームワークを提案する。 自己監督された集合構造プライバシープローブは、回復可能な負荷構造を破壊するための再構成エラーベースの代理報酬を提供する一方、シグネチャライブラリは、バッテリ制御により、摂動装置関連で物理的に実現できるようにする。 我々は,プロキシ誘導最適化が攻撃者の多様性下での推論の堅牢性を改善することを示す理論的根拠を提供する。 実世界のデータセットであるUK-DALEとREDDの実験では、強いクロスモデルとクロスアプライアンス一般化が示されている。 6人のNILM攻撃者がUK-DALEで4つのアプライアンスとREDDで5つのアプライアンスをカバーし,F1スコアを79%,REDDで166%向上させ,平均アプライアンスレベルのRMSEを107%,F1スコアを80%削減した。

関連論文リスト

• Be Your Own Red Teamer: Safety Alignment via Self-Play and Reflective Experience Replay [19.431152130507648]
  大規模言語モデル(LLM)は目覚ましい能力を達成したが、敵のジェイルブレイク攻撃に弱いままである。 本稿では、アタッカー(ジェイルブレイクの発生)とディフェンダー(有害な要求を拒否)の両方として機能するシステムであるセーフティセルフプレイ(SSP)を紹介する。 SSPは、堅牢な防御能力を自律的に進化させ、静的な敵対的データセットでトレーニングされたベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-01-15T17:00:16Z)
• Teleportation-Based Defenses for Privacy in Approximate Machine Unlearning [8.735490611482364]
  近似マシンアンラーニングは、訓練されたモデルから特定のデータポイントの影響を効率的に除去することを目的としている。 事前学習モデルと後学習モデルにアクセスできる敵は、メンバーシップ推論やデータ再構成に彼らの違いを利用することができる。 これらの脆弱性は2つの要因から生じることが示される: 忘れられたサンプルの大きな勾配ノルムと、未学習パラメータが元のモデルに近づいたこと。
  論文  参考訳（メタデータ） (2025-11-29T01:50:33Z)
• MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
  モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。 既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
  論文  参考訳（メタデータ） (2025-06-03T01:37:09Z)
• A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems [3.155715652244226]
  従来のシグネチャベースのネットワーク侵入検知システム(NIDS)はゼロデイ攻撃に対して不十分である。 従来のシグネチャベースのNIDSは、バイパス検出のためにネットワークトラフィックを微妙に操作する敵の回避攻撃に対して脆弱である。 本稿では,ML ベースの NIDS の堅牢性を高める新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-21T16:22:11Z)
• Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
  本稿では,敵攻撃に基づく革新的な手法を提案する。 このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。 提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
  論文  参考訳（メタデータ） (2024-12-22T07:06:46Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• FedDef: Defense Against Gradient Leakage in Federated Learning-based Network Intrusion Detection Systems [15.39058389031301]
  FLベースのNIDS向けに設計された2つのプライバシ評価指標を提案する。 提案するFedDefは,理論的保証を備えた新しい最適化型入力摂動防御戦略である。 4つのデータセットに対する4つの既存の防御を実験的に評価し、プライバシ保護の観点から、我々の防衛がすべてのベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-10-08T15:23:30Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。