論文の概要: TrustAgent-RFF: Agentic Diagnostic Planning for Reliable RF Fingerprinting under Domain Shift

• arxiv url: http://arxiv.org/abs/2610.24930v2
• Date: Tue, 20 Oct 2026 20:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.994105
• Title: TrustAgent-RFF: Agentic Diagnostic Planning for Reliable RF Fingerprinting under Domain Shift
• Title（参考訳）: TrustAgent-RFF:ドメインシフトによる信頼性RFフィンガープリントのエージェント診断計画
• Abstract要約: RFF(Radio frequency fingerprinting)モデルは、ソースドメイン条件下で精度を達成できるが、受信機、距離、収集日、環境が変化すると信頼性が低下する。 RFFの予測レベル信頼性フレームワークであるTrustAgent-RFFを提案する。
• 参考スコア（独自算出の注目度）: 27.816414520370206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency fingerprinting (RFF) models can achieve accuracy under source domain conditions but become unreliable when the receiver, distance, collection day, or environment changes. Incorrect predictions in unseen domains may receive high softmax confidence, making confidence thresholding insufficient for trustworthy deployment. We propose TrustAgent-RFF, a prediction level reliability framework for RFF that operates with a frozen in-phase and quadrature (I/Q) classifier without target domain labels. For each device prediction, the framework acquires radio frequency evidence: counterfactual stability, prototype consistency, acquisition domain similarity, and signal quality. A source calibrated trust estimator combines these diagnostics with classifier confidence, prediction margin, and evidence availability indicators. Source derived lower tail penalties and cross module interactions reduce trust when diagnostic signals indicate weak support. A large language model (LLM) based planner adaptively selects the next diagnostic action based on evidence, trust state, action costs, and remaining budget. A deterministic source calibrated decision layer updates the prediction state as Accept, Reject, or Defer. Experiments across five RFF datasets and classifier backbones reveal an average source to target accuracy drop of 38.7% and show that many incorrect target domain predictions remain highly confident.
• Abstract（参考訳）: RFF(Radio frequency fingerprinting)モデルは、ソースドメイン条件下で精度を達成できるが、受信機、距離、収集日、環境が変化すると信頼性が低下する。 目に見えない領域における誤った予測は、高いソフトマックスの信頼を得ることができ、信頼性のしきい値が信頼に値するデプロイメントには不十分である。 本稿では,RFFの予測レベル信頼性フレームワークであるTrustAgent-RFFを提案する。 各デバイス予測に対して、このフレームワークは、反事実的安定性、プロトタイプの一貫性、取得ドメインの類似性、信号品質といった、無線周波数のエビデンスを取得する。 ソースキャリブレーションされた信頼推定器は、これらの診断を分類器の信頼性、予測マージン、エビデンス可用性指標と組み合わせる。 ソースから派生した低い尾のペナルティとクロスモジュール相互作用は、診断信号が弱いサポートを示すときに信頼を減らす。 大規模言語モデル(LLM)ベースのプランナーは、証拠、信頼状態、行動コスト、残りの予算に基づいて、次の診断アクションを適応的に選択する。 決定論的ソース校正決定層は、予測状態をAccept, Reject, Deferとして更新する。 5つのRFFデータセットと分類器のバックボーンでの実験では、ターゲットの精度を38.7%低下させる平均的なソースが示され、多くの誤ったターゲットドメイン予測が自信を保っている。

関連論文リスト

• $TCP_α$: Margin-Controlled Confidence estimation for reliable Music Information Retrieval [7.679660052685777]
  ディープニューラルネットワークは、しばしば過信であり、誤った予測にも高い信頼を割り当てる。 既存のターゲットは、重複する信頼値を正しい予測と間違った予測に割り当てる一方、決定境界付近のエラーは正しい予測と区別できない信頼スコアを受け取る。 提案するTCP_$は,不特定サンプルに対してマージン制御されたペナルティを導入することで,これらの制限を解消する新しい信頼度ターゲットである。
  論文  参考訳（メタデータ） (2026-08-20T17:58:50Z)
• Confidence Calibration of Deep Learning Systems [4.907205095294475]
  この論文は、ラベルノイズとドメインシフトの下でキャリブレーションを改善する方法を開発した。 プライバシー保証を維持しつつ、有効な不確実性定量化を提供する枠組みを提案する。 本研究の結果は,安全クリティカルな応用におけるキャリブレーション理論と実用的展開を橋渡しするものである。
  論文  参考訳（メタデータ） (2026-08-12T14:23:14Z)
• TCHG: Tri-Trust Conditioned Heterogeneous Graph Learning for Reliable Dynamic Trust Prediction [5.435667023660699]
  グラフニューラルネットワークは、ネットワーク構造と複雑な信頼依存関係を学習する能力のため、信頼予測に対する顕著なアプローチになっている。 本稿では,信頼証拠を未分化な入力として扱うべきではないが,グラフ伝播に対する機能的制御因子として利用すべきである,と論じる。 提案するTHGは,信頼証拠を3つのチャネルに分解し,伝播における機能的役割を個別に割り当てる,信頼条件付き不均一グラフ学習フレームワークである。
  論文  参考訳（メタデータ） (2026-06-15T12:01:34Z)
• Trust-Aware Joint Feature-Prediction Discrepancy for Robust Domain Adaptation [8.651700235973223]
  我々は、特徴信号と予測信号の信頼性を通じて、ドメインの不一致をモデル化する原則付きフレームワークである、信頼を意識したドメイン適応を導入する。 標準ベンチマークの実験では、提案したフレームワークが常に優れた適応性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2026-05-24T15:05:34Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
  整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。 このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。 本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
  論文  参考訳（メタデータ） (2024-03-22T08:13:33Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。