論文の概要: Physics-Aware Machine Unlearning for Cyber-Physical Systems

• arxiv url: http://arxiv.org/abs/2609.36633v1
• Date: Tue, 29 Sep 2026 03:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.15976
• Title: Physics-Aware Machine Unlearning for Cyber-Physical Systems
• Title（参考訳）: サイバー物理システムのための物理知識マシンの学習
• Abstract要約: そこで本稿では, ターゲットとなるサイバー物理システムの物理残差と, 忘れる信号とを結合する勾配学習型機械アンラーニング手法を提案する。 物理残留物は勾配上昇時に安全フェンスとして機能する。 提案する物理誘導モデルでは同時に毒を除去し,物理コンプライアンスを回復する。
• 参考スコア（独自算出の注目度）: 4.164910199039011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a physics-guided gradient-ascent-based machine unlearning method that couples the forgetting signal with the physical residual of the target cyber-physical systems, ensuring that weight updates during unlearning are steered toward physically feasible regions of the weight space. The physics residual acts as a safety fence during gradient ascent: the model is steered away from the poisoned behavioral basin and simultaneously toward physics-compliant territory, rather than toward an arbitrary alternative that may still violate domain constraints. We evaluate the proposed method against four baselines: naive gradient ascent, exact unlearning, SISA, and full retraining on an IEEE 34-bus distribution system, driven by two physics-informed neural network-based distribution energy resource controllers and validated through high-fidelity OpenDSS power-flow co-simulation. From the evaluation, we found that our proposed physics-guided model simultaneously removes poison and restores physical compliance, which are essential for the safe deployment of safety-critical cyber-physical systems
• Abstract（参考訳）: 本稿では,物理誘導型勾配漸進型機械の非学習手法を提案する。これは,忘れた信号と対象のサイバー物理系の物理的残差とを結合し,未学習時の重み更新を重み空間の物理的実現可能な領域に向けて確実に行う。 物理残留物は勾配上昇の際の安全フェンスとして機能する:モデルは、まだドメインの制約に反する可能性のある任意の代替物ではなく、有毒な行動盆地から同時に物理に準拠する領域へと誘導される。 提案手法は,2つの物理インフォームドニューラルネットワークを用いた分散エネルギーリソースコントローラによって駆動され,高忠実度 OpenDSS 電力フロー共振により検証されるIEEE 34-bus 配電システムにおいて,ナイーブ勾配上昇,正確なアンラーニング,SISA,フルリトレーニングの4つのベースラインに対して評価を行った。 評価の結果, 提案した物理誘導モデルでは, 安全上重要なサイバー物理システムの安全な展開に不可欠な, 同時に毒を除去し, 物理的コンプライアンスを回復することがわかった。

関連論文リスト

• Integrating Physics-Informed Neural Networks for Safe Reinforcement Learning in a 1-DoF Helicopter System [0.4460583138505672]
  深層強化学習(DRL)は、産業用サイバー物理システムに強力な制御を提供する。 その“ブラックボックス”探索は、厳格なハードウェア安全性の限界を侵害するリスクがある。 近似ポリシー最適化関数に直接微分可能な物理モデルを組み込む。
  論文  参考訳（メタデータ） (2026-07-03T09:14:04Z)
• Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
  WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-23T03:28:12Z)
• Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks [2.7282323019364907]
  電力系統状態推定(PSSE)のためのPINNモデルを提案する。 ステルス制約AC偽データインジェクション攻撃(FDIAs)に対する推定プロセスの保護 その結果,既存のPINN変種よりも精度と安定性が向上した。
  論文  参考訳（メタデータ） (2026-04-03T21:40:09Z)
• PHANTOM: Physics-Aware Adversarial Attacks against Federated Learning-Coordinated EV Charging Management System [2.5019498860784926]
  我々は,多エージェント強化学習モデルを用いてトレーニングし,最適化した物理認識型対向ネットワークPHANTOMを提案する。 その結果、学習した攻撃ポリシーが負荷分散を阻害し、TとDの境界を越えて伝播する電圧不安定性を誘導する方法が示されている。
  論文  参考訳（メタデータ） (2025-12-26T20:54:16Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Learning To Estimate Regions Of Attraction Of Autonomous Dynamical Systems Using Physics-Informed Neural Networks [0.0]
  制御された自律力学系のアトラクション領域(ROA)を推定するためにニューラルネットワークを訓練する。 この安全ネットワークは、提案した制御行動の相対的安全性を定量化し、損傷行為の選択を防止するために使用できる。 今後の研究では、運動学習タスクにおける強化学習エージェントにこの手法を適用する予定である。
  論文  参考訳（メタデータ） (2021-11-18T19:58:47Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)

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。