論文の概要: Don't Let One Lie Survive A Hundred Truths: A Selective Bayesian Trust Estimator for Collaborative Perception

• arxiv url: http://arxiv.org/abs/2610.07875v1
• Date: Tue, 06 Oct 2026 07:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.867112
• Title: Don't Let One Lie Survive A Hundred Truths: A Selective Bayesian Trust Estimator for Collaborative Perception
• Title（参考訳）: 何百もの真実を救えない: 協力的知覚のためのベイズ的信頼推定器
• Abstract要約: 協調的な認識により、コネクテッドカーは自身のセンサーを超えることができる。 選択的2層ベイズ信頼推定器であるSABERを提案する。 一定の閾値で良質な誤報を低減しつつ、攻撃検出を改善する。
• 参考スコア（独自算出の注目度）: 11.278100869961314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative perception (CP) enables connected vehicles to see beyond their own sensors but makes them dependent on messages they cannot independently verify. A compromised collaborator can surgically conceal a single safety-critical object or inject a non-existing one while correctly reporting many others. Existing Bayesian trust mechanisms pool agreement across objects, which, while effective against blatant untargeted attacks, either incurs high false-positive rates (FPR), or allows unrelated correct reports to dilute persistent attack evidence for stealthy single-object attackers. To address this problem, we propose SABER, a selective two-tier Bayesian trust estimator. The first tier maintains broad agent and object trust, preserving the ability to downweight benign but low-quality contributors. Cumulative-sum screening selects agent--object pairs with persistent omissions or unsupported reports for focused Bayesian assessment. The second tier checks these pairs against other agents' evidence and maintains a separate, reference-weighted Beta state for each. The lowest pair score constrains agent trust, preventing unrelated reports from diluting a targeted attack. We establish sufficient conditions for stronger attacker-side trust reductions with bounded additional benign false alarms at fixed thresholds. Compared with state-of-the-art CP defenses, SABER improves attack detection while reducing benign FPRs. On OPV2V, SABER improves defense ROC-AUC over MATE by up to 0.427 in late fusion and 0.337 in intermediate fusion. Against advanced intermediate-fusion data fabrication attacks, it increases detection rates over ROBOSAC and LUCIA by up to 96.40 and 67.07 percentage points, respectively, while reducing FPRs.
• Abstract（参考訳）: CP(Collaborative Recognition)は、コネクテッドカーが自身のセンサーを越えながら、独立して検証できないメッセージに依存することを可能にする。 妥協された協力者は、単一の安全クリティカルな物体を外科的に隠蔽したり、既存のものを注入したり、他の多くのものを正しく報告することができる。 既存のベイズ的信頼機構は、対象物間でのプール合意(英語版)を定めており、これは非標的攻撃に対して有効であるが、高い偽陽性率(英語版)(FPR)を発生させるか、または、関係のない正確な報告が、ステルスな単一対象攻撃者に対する永続的な攻撃証拠を希薄にすることを許す。 この問題に対処するため、選択的2層ベイズ信頼推定器であるSABERを提案する。 第1階層は、幅広いエージェントとオブジェクトの信頼を維持し、良心的だが品質の低いコントリビュータをダウンウェイトする能力を保持する。 Cumulative-sum スクリーニングは、集中ベイズ評価のための永続的な省略または非サポートレポートを含むエージェントオブジェクトペアを選択する。 第2階層は、これらのペアを他のエージェントのエビデンスに対してチェックし、それぞれ別々の参照重み付きベータ状態を維持する。 最下位のペアスコアはエージェント信頼を制限し、無関係な報告が標的攻撃を希薄にするのを防ぐ。 固定しきい値に付加的な良性誤報を付加した攻撃側信頼軽減のための十分な条件を確立する。 最先端のCP防御と比較すると、SABERは良質なFPRを減らしながら攻撃検出を改善している。 OPV2Vでは、SABERはMATE上の防衛ROC-AUCを後期核融合で0.427、中間核融合で0.337まで改善する。 高度な中間融合データ作成攻撃に対して、ROBOSACとLUCIAの検知率は96.40ポイントと67.07ポイントまで増加し、FPRは減少する。

関連論文リスト

• GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection [18.564330660698676]
  協調的知覚は、接続された車両がV2Xを介して中間機能を交換できるようにすることで、自律的な知覚を改善する。 信頼駆動スパース通信は、知覚クリティカルな空間領域のみを送信することによって帯域幅を削減する。 ひとたび協力者が妥協すると、高信頼領域や自我不確実領域における悪意のある特徴が優先的に選択され、融合中に増幅される。 我々は,3つの相補的な視点から協力者の信頼性を評価する軽量防衛であるグローバルローカル構造信頼(GLST)を提案する。
  論文  参考訳（メタデータ） (2026-07-25T06:05:35Z)
• Auditing Belief-Conditioned LLM Agents in Hidden-Information Social Deduction Games [50.880420636090896]
  9-player Werewolf環境において,隠れた役割に対する外部信頼状態を維持するための監査可能なフレームワークを構築した。 我々は,その効果を関連づけとして報告し,そのメカニズムを未解決として扱う。
  論文  参考訳（メタデータ） (2026-07-12T16:03:30Z)
• Adversarial Trust Poisoning in Vehicular Collaborative Perception [11.278100869961314]
  協調的な認識により、コネクテッドカーと自動運転車はセンサーデータを共有でき、環境について共同で判断できる。 このTrustFlipは、一貫した防御を武器にして、良心的な車両に割り当てられた信頼を害する新しい攻撃だ。
  論文  参考訳（メタデータ） (2026-05-21T07:53:10Z)
• The Sum Leaks More Than Its Parts: Compositional Privacy Risks and Mitigations in Multi-Agent Collaboration [72.33801123508145]
  大規模言語モデル(LLM)はマルチエージェントシステムに不可欠なものである。 プライバシーリスクは、暗記、直接推論、シングルターン評価を超えて現れる。 特に、相互作用によって構成される一見無害な反応は、敵が機密情報の回復を累積的に行うことができる。
  論文  参考訳（メタデータ） (2025-09-16T16:57:25Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Coward: Toward Practical Proactive Federated Backdoor Defense via Collision-based Watermark [90.94234374893287]
  我々は、マルチバックドア衝突効果の発見に触発されて、Cowardと呼ばれる新しいプロアクティブディフェンスを導入する。 一般に,サーバから注入された,矛盾するグローバルな透かしが,保持されるのではなく,ローカルトレーニング中に消去されるかどうかを評価することで攻撃者を検出する。
  論文  参考訳（メタデータ） (2025-08-04T06:51:33Z)
• GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection [11.336965062177722]
  協調的知覚は、悪意のあるエージェントからの敵対的なメッセージ攻撃に対して脆弱である。 本稿では,既存の単発外乱検出手法を損なう新しい盲検領域混乱(BAC)攻撃を明らかにする。 本稿では、空間的時間的認識による悪意のあるエージェント検出に基づくガード付き協調認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-05T06:03:26Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。