論文の概要: Causal AI-Driven Secure mmWave Beam Alignment with Defensive Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2611.18321v1
- Date: Fri, 13 Nov 2026 15:34:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.356113
- Title: Causal AI-Driven Secure mmWave Beam Alignment with Defensive Variational Autoencoders
- Title(参考訳): ディフェンシブ変分オートエンコーダを用いた因果AI駆動セキュアミリ波ビームアライメント
- Abstract要約: 既存のディープラーニング(DL)ベースのビームアライメント手法は、入力と出力の間の因果関係を無視することが多く、解釈可能性の制限、一般化の低さ、過剰なビームスイーピングをもたらす。
本稿では、因果発見をビームアライメントに統合した因果認識型DLフレームワークを提案する。
2段階の因果ビーム選択アルゴリズムは、受信信号強度指標(RSSI)と最適ビーム指数との依存性を目標変数とするベイズグラフを学習する。
敵の攻撃を緩和するため,防御的変動オートエンコーダ (DVAE) を導入し, 潜在的に乱れた入力をクリーンなバージョンにマッピングする。
- 参考スコア(独自算出の注目度): 28.94009020146827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient and secure beam alignment is essential for mmWave communication systems. However, existing deep learning (DL)-based beam alignment methods often neglect causal relationships between inputs and outputs, resulting in limited interpretability, poor generalization, and excessive beam sweeping. Moreover, these DL solutions are vulnerable to adversarial attacks, where small perturbations in received power measurements can mislead beam classifiers. To overcome these issues, we propose a causally-aware DL framework integrating causal discovery into beam alignment. A two-stage causal beam selection algorithm learns a Bayesian graph capturing dependencies between received signal strength indicators (RSSI) as inputs and the optimal beam index as the target variable, then uses it to select a minimal set of relevant input features for the DL classifier. To mitigate adversarial attacks, we introduce a defensive variational autoencoder (DVAE) that maps potentially perturbed inputs back to their clean versions. End-to-end fine-tuning of the downstream beam classifier on the DVAE-reconstructed RSSI representations further boosts prediction accuracy. Simulation results show that causal beam selection achieves accuracy comparable to conventional methods while providing an \(\mathbf{829\times}\) lower per-sample computational cost than SHAP (Shapley Additive Explanations), a widely used explainable AI (XAI)-based feature selection method. It further reduces beam-sweeping overhead by \(\mathbf{59.4\%}\) and \(\mathbf{89.8\%}\), compared to conventional DL-based beam selection and exhaustive search, respectively. The DVAE-based defense effectively denoises adversarial inputs, sustaining 85\% accuracy across different perturbation bounds, retains baseline performance on unperturbed RSSI inputs and surpasses defensive distillation defense scheme by 15--20\% on average under different attack scenarios.
- Abstract(参考訳): mmWave通信システムには、効率よくセキュアなビームアライメントが不可欠である。
しかし、既存のディープラーニング(DL)ベースのビームアライメント手法は、入力と出力の間の因果関係を無視することが多く、解釈可能性の制限、一般化の低さ、過剰なビームスイーピングをもたらす。
さらに、これらのDLソリューションは、受信電力測定における小さな摂動がビーム分類器を誤解させる可能性のある敵攻撃に対して脆弱である。
これらの問題を解決するために,因果発見をビームアライメントに統合した因果認識型DLフレームワークを提案する。
2段階の因果ビーム選択アルゴリズムは、受信信号強度指標(RSSI)を入力とし、最適ビーム指数を目標変数として、ベイズグラフを学習し、DL分類器の最小限の入力特徴を選択する。
敵の攻撃を緩和するため,防御的変動オートエンコーダ(DVAE)を導入する。
DVAE再構成RSSI表現における下流ビーム分類器のエンドツーエンドの微調整により、予測精度はさらに向上する。
シミュレーションの結果、因果ビーム選択は従来の手法に匹敵する精度を達成し、広く使われているAI(XAI)ベースの特徴選択法であるSHAP(Shapley Additive Explanations)よりも、サンプル当たりの計算コストを低くした。
さらに、従来のDLベースのビーム選択と排他的探索と比較して、ビームスウィーピングのオーバーヘッドを \(\mathbf{59.4\%}\) と \(\mathbf{89.8\%}\) で減少させる。
DVAEベースのディフェンスは、敵の入力を効果的に遮蔽し、異なる摂動境界における85倍の精度を維持し、未摂動RSSIインプットのベースライン性能を維持し、異なる攻撃シナリオ下では平均15~20倍の防御蒸留防御スキームを超えている。
関連論文リスト
- Alignment Imprint: Zero-Shot AI-Generated Text Detection via Provable Preference Discrepancy [51.887915969023965]
現代のLarge Language Models (LLMs) がアライメントされ、測定可能な分布インプリントが残されていることを示す。
高エントロピー領域における不安定性を軽減するため、ログライクなアライメント・アライメント・プレフレパシー(LAPD)を導入する。
LAPDはアライメントインプリントに基づく標準化された情報重み統計である。
論文 参考訳(メタデータ) (2026-04-18T09:12:24Z) - Diffusion-Based Generative Priors for Efficient Beam Alignment in Directional Networks [2.1326442458534403]
ビームアライメントは、細いビームが正確かつ低オーバーヘッドのトレーニングを必要とする方向のmmWaveとTHzシステムにおいて重要な課題である。
我々は,ビームアライメントを生成タスクとして再キャストし,コンパクトな幾何学的特徴やマルチパス特徴に先立って確率的ビームを学習する条件拡散モデルを提案する。
論文 参考訳(メタデータ) (2026-03-30T09:21:03Z) - Causal Beam Selection for Reliable Initial Access in AI-driven Beam Management [27.860170227028963]
既存のディープラーニング(DL)ベースのビームアライメント手法は、入力と出力の間の因果関係を無視することが多い。
本稿では、因果発見をビーム管理パイプラインに統合する因果認識型DLフレームワークを提案する。
論文 参考訳(メタデータ) (2025-08-22T12:56:07Z) - Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems [18.49800990388549]
本稿では,mmWaveシステムのための頑健で説明可能な深層学習(DL)ベースのビームアライメントエンジンを提案する。
このフレームワークは、現実世界のデータ要求を70%減らし、ビームトレーニングのオーバーヘッドを62%減らし、異常検出を最大8.5倍改善する。
実験結果から,提案フレームワークは実世界のデータ要求を70%削減し,ビームトレーニングのオーバーヘッドを62%削減し,異常検出を最大8.5倍改善した。
論文 参考訳(メタデータ) (2025-07-12T09:56:20Z) - Wasserstein distributional robustness of neural networks [9.79503506460041]
ディープニューラルネットワークは敵攻撃(AA)に弱いことが知られている
画像認識タスクでは、元の小さな摂動によって画像が誤分類される可能性がある。
本稿では,Wassersteinの分散ロバスト最適化(DRO)技術を用いて問題を再検討し,新しいコントリビューションを得た。
論文 参考訳(メタデータ) (2023-06-16T13:41:24Z) - Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる
本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-31T03:14:44Z) - Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。
我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文 参考訳(メタデータ) (2022-10-23T05:57:39Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳(メタデータ) (2021-07-20T01:55:21Z)
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。