論文の概要: A JiT-Based Denoising Defense Method Against Adversarial Examples for Radio Signal Automatic Modulation Classification

• arxiv url: http://arxiv.org/abs/2610.35084v1
• Date: Mon, 26 Oct 2026 09:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.812385
• Title: A JiT-Based Denoising Defense Method Against Adversarial Examples for Radio Signal Automatic Modulation Classification
• Title（参考訳）: 無線信号自動変調分類における逆例に対するJITに基づくDenoising Defense法
• Abstract要約: アドリアリトレーニングは共通の防御であり、攻撃タイプ間の一般化の低さや高い訓練コストを含む制限がある。 本稿では, 無線信号変調分類の逆例に対して, JiT-based denoising Defenseを提案する。
• 参考スコア（独自算出の注目度）: 14.832375024298363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic modulation classification (AMC) of radio signals is a core technology for spectrum monitoring and electromagnetic situational awareness. Deep neural networks (DNNs) play an important role in this field owing to their powerful feature extraction capabilities and end-to-end learning paradigm. However, their vulnerability to adversarial attacks poses serious security challenges to practical deployment. Adversarial training, a common defense, has limitations including poor generalization across attack types and high training costs. Inspired by Just image Transformers (JiT), a diffusion generative model that directly predicts clean images, this paper proposes a JiT-based denoising defense against adversarial examples for radio signal modulation classification. During training, a signal-specific 1D Transformer denoising network is optimized via flow matching to directly predict clean signal samples. It thereby learns a mapping that projects arbitrary examples back onto the low-dimensional manifold of clean signal examples. During inference, arbitrary examples are fed into the trained network and directly projected onto this manifold. This enables denoising defense without prior knowledge of attacks. Experiments on the RML2018.01A dataset were conducted without attack information, using a single empirically selected, fixed denoising start time. Compared with PGD-based adversarial training, the proposed method achieves a relative improvement of at least 20.58% in robust accuracy under PGD attacks. It also achieves a relative improvement of 10.20% in classification accuracy on clean examples. When evaluated against attack types unseen during adversarial training, the proposed method provides stronger defense than adversarial training. In particular, at higher attack strengths, it achieves a relative improvement of at least 39.72% in robust accuracy.
• Abstract（参考訳）: 電波信号の自動変調分類(AMC)は、スペクトルモニタリングと電磁状況認識のための中核技術である。 ディープニューラルネットワーク(DNN)は、強力な特徴抽出機能とエンドツーエンド学習パラダイムのため、この分野において重要な役割を果たす。 しかし、敵の攻撃に対する脆弱性は、実際の展開に深刻なセキュリティ上の課題をもたらす。 敵の訓練は共通の防御であり、攻撃タイプ間の一般化の低さや高い訓練コストを含む制限がある。 クリーンな画像を直接予測する拡散生成モデルであるJust Image Transformers (JiT) にインスパイアされた本報告では, 無線信号変調分類の逆例に対するJiTに基づく認知的防御を提案する。 トレーニング中、清浄な信号サンプルを直接予測するために、フローマッチングを介して信号固有の1Dトランスフォーマー復調ネットワークを最適化する。 これにより、任意の例をクリーン信号例の低次元多様体に投影する写像を学ぶ。 推論の間、任意の例が訓練されたネットワークに入力され、この多様体に直接投影される。 これにより、攻撃の事前の知識なしに防御を抑えることができる。 RML2018.01Aデータセットの実験は攻撃情報なしで行われ、実験的に選択された1つの固定された復調開始時間を用いて行われた。 PGDをベースとした対人訓練と比較して,提案手法はPGD攻撃時のロバスト精度を少なくとも20.58%向上させる。 また、クリーンな例による分類精度の10.20%の相対的な改善も達成している。 敵の訓練中に見つからない攻撃タイプに対して評価すると,提案手法は敵の訓練よりも強い防御力を与える。 特に高い攻撃強度では、少なくとも39.72%の堅牢な精度で相対的な改善が達成される。

関連論文リスト

• Trans-defense: Transformer-based Denoiser for Adversarial Defense with Spatial-Frequency Domain Representation [11.290034765506816]
  ディープニューラルネットワーク(DNN)は敵の攻撃に対して脆弱であり、セキュリティクリティカルなシステムでの応用を制限する。 本稿では,攻撃に対処するための2段階の訓練手法を提案する。まず,Denoising Networkを訓練し,次に,Deep Classifierモデルを提案する。 本稿では,空間領域と周波数領域の両アプローチを統合して,画像に対する敵対的攻撃を防御する新しいデノベーション戦略を提案する。
  論文  参考訳（メタデータ） (2025-10-31T07:29:50Z)
• Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
  未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。 我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
  論文  参考訳（メタデータ） (2024-05-02T16:49:25Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
  現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。 このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。 複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:39:43Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• Improving Transformation-based Defenses against Adversarial Examples with First-order Perturbations [16.346349209014182]
  研究によると、ニューラルネットワークは敵の攻撃を受けやすい。 これにより、ニューラルネットワークベースのインテリジェントシステムに対する潜在的な脅威が露呈する。 本稿では, 対向性強靭性を改善するために, 対向性摂動に対処する手法を提案する。
  論文  参考訳（メタデータ） (2021-03-08T06:27:24Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Towards Rapid and Robust Adversarial Training with One-Step Attacks [0.0]
  敵の訓練は、敵の攻撃に対するニューラルネットワークの堅牢性を高める最も成功した方法である。 本稿では,計算コストの低いFast Gradient Sign Methodを用いて,敵対的学習を可能にする2つのアイデアを提案する。 FGSMをベースとした対向訓練と併用したノイズ注入は、PGDによる対向訓練に匹敵する結果が得られ、より高速であることを示す。
  論文  参考訳（メタデータ） (2020-02-24T07:28:43Z)

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。