DeepGuard: A DeepBillboard Attack Detection Technique against Connected and Autonomous Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial intelligence technology is leading the innovations in connected and automation vehicles (CAVs). This technology revolution mainly relies on embedded smart devices and high-tech sensors along with deep learning-based modules to provide the data and intellect necessary for automated decisions and responses. Generally, imagery data captured from dash cameras are fed into deep neural network models to identify street signs, traffic lights, and surrounding obj ects to augment steering decisions. Such neural networks are proven to be vulnerable to a wide range of adversarial attacks. Despite the emergence of adversarial manipulations, there has been a dramatic increase in the sophisticated methods of these attacks. One of these methods is the DeepBillBoard attack which uses machine-generated imagery applied to roadside billboards to induce errors to the steering model with the capability to dictate whether this error should cause the vehicle to veer to the left or the right. As the sheer risk of such attacks continues to grow, the safety, security, and reliability concerns grow even more. Such concerns cannot be tolerated given the safety-critical environment where CA V s operate. This paper proposes a novel approach, DeepGuard, to detect, counter, and neutralize DeepBillBoard attacks against CA V s. DeepGuard leverages advanced deep learning techniques to boost its generalization capabilities for detecting adversarial patterns used in DeepBillboard attacks. Experimental evaluation is conducted using existing driving datasets that reflect dynamic real-life scenarios. The evaluation results demonstrate that our solution achieves high detection effectiveness and computational efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle