論文の概要: Integrity Detection and Characterization of Malicious Injections in RAVEN II

• arxiv url: http://arxiv.org/abs/2609.33951v1
• Date: Sun, 27 Sep 2026 21:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:22:57.252447
• Title: Integrity Detection and Characterization of Malicious Injections in RAVEN II
• Title（参考訳）: RAVEN IIにおける病原性注射のインテリジェンス検出と評価
• Abstract要約: RAVEN IIに対する悪意のある注入の検知境界を特徴付ける。 ウィンドウスケールとセッションスケールの2つの時間スケールで検出を行います。 以上の結果から, 検出性は, 注入した偏差が時間とともにどのように分布するかに強く影響されていることがわかった。
• 参考スコア（独自算出の注目度）: 4.414211533730322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adoption of robotic systems in surgery, together with the expanding range of procedures they can support and the growing level of autonomy they provide, has substantially increased the complexity of surgical robots. As these systems integrate more sensors, controllers, communication interfaces, and model-driven control components, their attack surface continues to expand. A compromise of the integrity of a surgical robot can therefore cause unintended robot behavior and potentially threaten patient safety. In this paper, we characterize the detection boundary of malicious injections on RAVEN II using a public dataset that pairs the platform's telemetry with external high-resolution encoder ground truth. We identify three injection points spanning the command and observation paths and evaluate three injection patterns with increasing temporal dispersion. To capture different detection behaviors, we perform detection at two timescales: the window scale and the session scale. Rather than reporting detection rates at an arbitrarily chosen threshold, we quantify, for each injection point and injection pattern, the smallest end-effector deviation that can be resolved while maintaining an alarm rate acceptable for surgical operation. Our results show that detectability is strongly influenced by how the injected deviation is distributed over time. An abrupt step can be detected at deviations well below the 1 mm clinical tolerance, whereas the same overall deviation spread across a window or a session can remain hidden from single-window statistics. The open source code can be found at http://github.com/RAVENIIROS/RAVENIIIntegrity.
• Abstract（参考訳）: 手術におけるロボットシステムの採用が増加し、支援できる手順の範囲が拡大し、それらが提供する自律性のレベルが増大するとともに、手術ロボットの複雑さが大幅に増加した。 これらのシステムは、より多くのセンサー、コントローラ、通信インターフェース、モデル駆動制御コンポーネントを統合しているため、攻撃面は拡大し続けている。 手術ロボットの完全性の妥協は意図しない動作を引き起こし、患者の安全を脅かす可能性がある。 本稿では,プラットフォームテレメトリと外部高解像度エンコーダ地上真実を組み合わせた公開データセットを用いて,RAVEN II上の悪意ある注入の検知境界を特徴付ける。 コマンドと観測経路にまたがる3つのインジェクションポイントを同定し,時間的分散を増大させて3つのインジェクションパターンを評価する。 異なる検出行動を捉えるために、ウィンドウスケールとセッションスケールの2つの時間スケールで検出を行う。 任意に選択された閾値で検出率を報告するのではなく,手術に許容されるアラーム率を維持しつつ解決可能な最小限のエンドエフェクタ偏差である注入点と注入パターンを定量化する。 以上の結果から, 検出性は, 注入した偏差が時間とともにどのように分布するかに強く影響されていることがわかった。 急激なステップは1mm以上の臨床寛容で検出できるが、ウィンドウやセッションにまたがる全体的な偏差は、シングルウィンドウ統計から隠蔽されることがある。 ソースコードはhttp://github.com/RAVENIIROS/RAVENIIIntegrityにある。

関連論文リスト

• Agentic AI-based Framework for Mitigating Premature Diagnostic Handoff and Silent Hallucination in Healthcare Applications [17.69274632062373]
  オープンエンドの会話エージェントは、早期診断ハンドオフとサイレントな臨床幻覚という、2つの重要な障害モードを伴いがちである。 LLM-as-a-judge'のルーティングを決定論的オーケストレーション制約に置き換えることで、両方の問題に対処するマルチエージェントフレームワークを提案する。 本稿では,150症例を対象に,ラマ3.1-70b-インストラクトモデルを用いたシミュレートされた患者エージェントを用いたシステムの評価を行った。
  論文  参考訳（メタデータ） (2026-06-16T15:39:19Z)
• Mutual Information Tracks Policy Coherence in Reinforcement Learning [0.0]
  強化学習(RL)エージェントは、センサの故障、アクチュエータの摩耗、環境変化による劣化に直面している。 本稿では,RLの基本動力学を両立させる情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T17:24:20Z)
• AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
  本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。 フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
  論文  参考訳（メタデータ） (2025-08-21T13:33:09Z)
• Anatomically-guided masked autoencoder pre-training for aneurysm detection [6.025753055139489]
  頭蓋内動脈瘤は世界中で致死率と死亡率の主要な原因である。 本研究では,無注釈頭部CTスキャンデータを用いた3次元ビジョントランスモデルの事前学習のための新しい事前学習手法を提案する。 SOTA大動脈瘤検出モデルと比較すると, 絶対感度は+4-8%, 偽陽性率0.5。
  論文  参考訳（メタデータ） (2025-02-28T17:13:58Z)
• Can Indirect Prompt Injection Attacks Be Detected and Removed? [94.67980597764245]
  間接的インジェクション攻撃の検出・除去の可能性について検討した。 検出のために,既存のLCMとオープンソースの検出モデルの性能を評価する。 そこで本研究では,(1) インジェクション命令を含む部分をセグメント化して除去するセグメンテーション除去法,(2) 抽出モデルを訓練してインジェクション命令を識別・除去する抽出除去法,の2つの直感的手法を評価する。
  論文  参考訳（メタデータ） (2025-02-23T14:02:16Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Improving Variational Autoencoder based Out-of-Distribution Detection for Embedded Real-time Applications [2.9327503320877457]
  アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。 本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。 提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。 また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
  論文  参考訳（メタデータ） (2021-07-25T07:52:53Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。