Integrated Sensing and Communications Using Generative AI: Countering Adversarial Machine Learning Attacks
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
In the field of Integrated Sensing and Commu-nication (ISAC) systems, several challenges emerge, such as obtaining the infinitesimal Cramer-Ran lower bound (CRLB) for sensing outcomes and addressing the vulnerabilities of ISAC to adversarial machine learning (AML) attacks. To address this, we propose a Smart ISAC (S-ISAC) system, which incorporates a unique generative adversarial network (GAN) combined with a differentiable Kolmogorov-Smirnov (KS) loss function, named KSGAN. This KSGAN is tailor-made to identify AML attacks on range-Doppler heatmap features. Only after ensuring that the range-Doppler heatmap is free from AML attacks using KSGAN, do we apply the Constant False Alarm Rate (CFAR) for accurate estimation of target vehicle parameters. We implement a rigorous ISAC system under AML attacks using Matlab Toolboxes and the adversarial robustness toolbox (ART). Our numerical findings indicate that the proposed KSGAN offers greater accuracy in detecting AML than a standalone GAN. Additionally, our results show that the MIMO S-ISAC Beamforming surpasses the performance of the standalone ISAC system.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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