Adversarial Attacks Against Shared Knowledge Interpretation in Semantic Communications
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
Semantic communications (SEMCOM) is a novel communication model that exploits neural networks or deep learning techniques to convey the semantics of the data and contextual reasoning, instead of transmitting full raw bits as in the conventional transmission models. SEMCOM is anticipated to significantly increase the effectiveness of cognitive communications beyond the Shannon theory limit, especially in multimedia services. The transmission efficiency will largely rely on the semantic encoding and decoding process with knowledge storage references at the receiver and the transmitter. However, these processes are highly susceptible to adversarial attacks, given the nature of shared background knowledge without encryption and the vulnerabilities of neural network models. This paper presents two novel targeted and non-targeted adversarial attacks against SEMCOM, e.g., channel inversion attack and naive attack. The attacks are designed to cause maximum disruption to the signals during decoding, aiming to alter the semantic interpretation of recognition models at the receiver. The experimental results indicate that attacks can significantly degrade the perceptual evaluation of speech quality and increase data errors, with semantic decoding performance suffering reductions of up to 2.9 times and 2.3 times, respectively. This degradation can cause misrepresentation of semantic contents. Besides, targeted attacks have a greater impact on speech semantic quality in complex communication circumstances compared to non-targeted attacks. We also suggest two potential defense methods against these physical layer attacks. Accordingly, enhancing adversarial training and removing residual values in the loss function are straightforward solutions to improve the resilience of SEMCOM-based systems.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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