論文の概要: SPOC-Net: Single-Primitive Online Composition Network for GNSS Jamming Set Recognition
- arxiv url: http://arxiv.org/abs/2609.34875v1
- Date: Mon, 28 Sep 2026 10:56:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 02:00:21.068219
- Title: SPOC-Net: Single-Primitive Online Composition Network for GNSS Jamming Set Recognition
- Title（参考訳）: SPOC-Net: GNSS ジャミングセット認識のためのシングルプリミティブオンライン合成ネットワーク
- Abstract要約: グローバルナビゲーション衛星システム(GNSS)は、それぞれの混合物を別のクラスとして扱う認識器を妨害するが、新しい組み合わせに拡張することは困難である。
本稿では,認識問題を基本的なジャミング要素の集合に分解するSPOC-Netを提案する。
- 参考スコア（独自算出の注目度）: 7.506624539316886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable positioning, navigation, and timing support intelligent transportation, autonomous systems, and space-air-ground integrated networks. However, global navigation satellite system (GNSS) jamming recognizers that treat each mixture as a separate class are difficult to extend to new combinations. Therefore, this paper proposes SPOC-Net, which decomposes the recognition problem into identifying a set of basic jamming components. Multi-resolution time-frequency features and learned component queries provide evidence for each component type. A high-resolution branch estimates the number of active types, and a structured decoder combines this estimate with component evidence to select a valid set. For training, measured single-component records are the only physical samples used in gradient optimization. Their associated clean in-phase and quadrature (IQ) sequences are combined on demand during training to produce labeled mixtures with different relative powers and jamming-to-noise ratios. Separate measured mixtures from ten training-listed compositions support model selection and decoder calibration; six other compositions are reserved for final testing. Evaluation on 14,220 independently generated, conductively combined, and recorded radio frequency mixtures yields 80.69% exact-set accuracy and a 92.84% micro-averaged F1 score. On combinations excluded from model development, SPOC-Net achieves 80.89% exact-set accuracy, exceeding the strongest comparison method by 18.77 percentage points under the reported protocols.
- Abstract（参考訳）: 信頼性の高い位置決め、ナビゲーション、タイミングは、インテリジェント輸送、自律システム、宇宙空間統合ネットワークをサポートする。
しかし、グローバルナビゲーション衛星システム(GNSS)は、それぞれの混合物を別のクラスとして扱う認識器を妨害し、新しい組み合わせに拡張することは困難である。
そこで本稿では,認識問題を基本的なジャミング要素の集合に分解するSPOC-Netを提案する。
多分解能の時間周波数特徴と学習されたコンポーネントクエリは、各コンポーネントタイプに対してエビデンスを提供する。
高分解能分岐は活性型数を推定し、構造化復号器はこの推定値と成分証拠を組み合わせて有効集合を選択する。
トレーニングにおいて、測定された単一成分レコードは、勾配最適化で使用される唯一の物理的サンプルである。
彼らの関連するクリーンなインフェーズとクアチュア(IQ)シーケンスは、トレーニング中に要求に応じて組み合わせられ、異なる相対パワーとジャミング-ノイズ比のラベル付き混合物が生成される。
モデル選択とデコーダキャリブレーションをサポートし, 最終試験には他の6種が留置されている。
14,220の独立に生成され、導電性に結合され、記録された無線周波数の混合物は80.69%の正確なセット精度と92.84%のマイクロ平均F1スコアを得る。
モデル開発から除外された組み合わせについて、SPOC-Netは80.89%の精度を達成し、報告されたプロトコルの下で18.77ポイントの最も高い比較法を超えた。
関連論文リスト
- Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。
広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。
TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
論文 参考訳（メタデータ） (2026-09-16T02:41:41Z) - PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。
我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
論文 参考訳（メタデータ） (2026-08-31T08:37:44Z) - S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳（メタデータ） (2026-08-18T08:05:00Z) - SCOPE: Semantic Coreset with Orthogonal Projection Embeddings for Federated learning [0.7799711162530713]
現在のMLアプローチでは、非現実的なデータアグリゲーションを必要とするか、クラス不均衡のため失敗する。
SCOPEは,異常をフィルタし,冗長なデータを長期スキューに適応させる,フェデレートされたデータのためのコアセットフレームワークである。
SCOPEは、アップリンク帯域幅を128倍から512倍に削減しながら、競争力のあるグローバル精度と堅牢な収束をもたらす。
論文 参考訳（メタデータ） (2026-03-13T13:24:12Z) - The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning [0.0]
本稿では,機械学習に基づくサイバー攻撃と物理的障害の分類のための高忠実度評価フレームワークを提案する。
モデルはラベル付き時間領域測定に基づいてトレーニングされ、サブサイクル応答性のために設計されたリアルタイムストリーミング環境で評価された。
論文 参考訳（メタデータ） (2025-11-10T05:15:37Z) - SelectMix: Enhancing Label Noise Robustness through Targeted Sample Mixing [22.516209617656077]
SelectMixは、ノイズラベルに適した信頼性誘導混合フレームワークである。
SelectMixは,ノイズラベルを用いた学習において,その有効性と堅牢性を検証し,高いベースライン法を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2025-09-14T13:37:38Z) - MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。
MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。
我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
論文 参考訳（メタデータ） (2025-04-06T08:49:52Z) - SAE: Single Architecture Ensemble Neural Networks [7.011763596804071]
異なるニューラルネットワーク(NN)のアンサンブルは、タスク間の単一NNよりも精度と信頼性のキャリブレーションが優れている。
近年の手法では,早期出口の追加やマルチ入力マルチ出力手法によるアンサンブルを単一ネットワーク内で生成している。
我々の新しいSingle Architecture Ensembleフレームワークは、早期出口とマルチ入力マルチ出力構成による自動および共同検索を可能にする。
論文 参考訳（メタデータ） (2024-02-09T17:55:01Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。
本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。
DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
論文 参考訳（メタデータ） (2022-03-21T07:12:18Z) - Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。
このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。
我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文 参考訳（メタデータ） (2021-10-26T08:54:41Z)
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。