Projected Natural Gradient Method: Unveiling Low-Power Perturbation Vulnerabilities in Deep-Learning-Based Automatic Modulation Classification
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
Rapid advancements in deep learning (DL) and the availability of the large data sets have made the adoption of DL highly appealing across various fields. Wireless communication systems, including future 6G systems are anticipated to incorporate intelligent components like automatic modulation classification (AMC) for the cognitive radio and dynamic spectrum access. However, DL-based AMC models are susceptible to the adversarial attacks, which consist of crafted perturbations that aim to alternate the decision of a victim model. This study focuses on investigating and uncovering modern modulation classifiers’ vulnerability to the adversarial threats. Though attacks of this nature inherently jeopardize DL-based classifiers, contemporary attack methods typically exhibit diminished impact at the lower perturbation levels. Therefore, we introduce a novel attack approach that exploits the Riemannian manifold properties of the intricate neural networks, yielding adversarial samples with heightened efficacy at the lower perturbation powers. We thoroughly evaluate how effective various defense techniques are and demonstrate our proposed attack method’s ability to thwart them. The findings of this study shed light on the limitations and vulnerabilities of the DL-based AMC models in the face of the adversarial attacks. By addressing these challenges, we can enhance the robustness and security of these models, and pave the way for their reliable deployment in practical wireless communication systems, including the future 6G networks.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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