stu.iu.edu.sa

이 이메일 도메인이 관측된 논문 2건

arXiv:2609.22277v1cs.AI

시각장애인 다중모달 이동 보조를 위한 저렴한 AI 통합 스마트 지팡이

An Affordable AI-Integrated Smart Cane for Multimodal Mobility Assistance of Visually Impaired Users

전 세계 22억 명 이상이 시각장애를 겪고 있으나, 기존 흰 지팡이는 높이 있는 위험 요소를 감지하거나 의미론적 환경 맥락을 제공할 수 없다. 기존 AI 보조 내비게이션 시스템은 일반적으로 고가의 하드웨어 또는 클라우드 연결에 의존하여, 자원이 제한된 환경에서의 접근성을 제한한다. 본 논문은 초저전력 Raspberry Pi Zero 2W에서 다중모달 이동 보조를 위해 설계된 저렴한(88 USD) 완전 오프라인 AI 통합 스마트 지팡이를 제안한다. 시스템은 RGB 비전 감지와 Time-of-Flight(ToF) 거리 추정을 융합하고, INT8 양자화 SSD MobileNet V1 모델을 거리 인식 진동 촉각 피드백 및 실시간 오디오 알림과 결합한다. 제한된 하드웨어에서의 운영 견고성을 위해, 멀티프로세싱 아키텍처가 센서 획득, 신경망 추론, 햅틱 피드백을 장애 안전 센싱 지원과 함께 독립 프로세스로 분리한다. 실내 이동 시나리오에 걸친 실험 평가는 macro-averaged F1-score 0.82(정밀도: 0.85, 재현율: 0.81), 평균 end-to-end 지연 330 ms, 최대 전력 소모 2.8 W를 보여준다. 12명 참가자(SUS: 78.5, NASA-TLX)를 대상으로 한 예비 사용성 연구는 긍정적인 사용자 인식과 향상된 장애물 인식을 보여주었다. 제안된 프로토타입은 비용에 민감한 이동 보조를 위한 프라이버시 보존형 엣지 네이티브 보조 지능 배포의 타당성을 검증한다.

arXiv:2609.02971v1cs.CR

연합 학습에서의 프라이버시 유출: 차량 엣지 네트워크 관성 센싱을 위한 그래디언트 기반 클라이언트 신원 추론 및 방어

Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks

차량 네트워크가 5G/6G 엣지 지능으로 나아가면서, 연합 학습(FL)은 원시 센서 데이터를 노출하지 않고 차량과 인프라가 공유 모델을 학습하는 프라이버시 보존 방식으로 널리 홍보되고 있다. 그러나 클라이언트가 전송하는 업데이트는 여전히 누가 보냈는지 식별할 수 있을 만큼 충분한 정보를 유출하며, 이는 안전이 중요한 V2X 애플리케이션이 가정하는 익명성을 위협하고 적대적 ML, 모델 포이isoning, 백도어 공격에 대한 기존 우려를 더한다. 본 연구는 전송된 가중치 델ta를 이용한 서버 측 클라이언트 신원 추론을 관성(IMU) 측정과 함께 다루며, 연결 차량 온보드에서 생성되는 IMU 스트림에 대한 접근 가능한 대리(proxy)로 UCI Human Activity Recognition(HAR) 벤치마크에서 이를 평가한다. 다섯 가지 공격 분류기와 다섯 가지 non-IID 파티션에 걸쳐, 정직하지만 호기심 많은(honest-but-curious) 서버는 방어가 없는 업데이트로부터 거의 완벽한 정확도(약 1.000)로 클라이언트 신원을 복구하여 구체적인 식별 가능성 위험을 확인한다. 이어 고정 클리pping(C=1.0)에서 가우시안 노이즈(sigma ∈ {0.00, 0.05, 0.10, 0.20, 0.50, 1.00})를 스weep하여 경량 clip-then-noise 방어의 프라이버시-유용성 트레이드오프를 정량화하고, Renyi accounting을 통해 공식 (epsilon, delta)-DP 예산을 보고한다. 실용적 영역(sigma ∈ [0.1, 0.2])은 공격 정확도를 거의 무작위 수준으로 떨어뜨리면서 상대 FL 정확도 대비 5% 미만의 비용만 든다. 앙상블 FL은 1/K 익명 집합(anonymity-set) 상한과 노이즈 페널티 없이 보완적 구조적 프라이버시를 제공한다. 결과는 암호학적(SHA-256) 학습/평가 그래디언트 분리, 세 개의 시드, 및 count-normalized 공격자 이점(attacker-advantage) 지표로 뒷받침된다. HAR을 명시적으로 대리(proxy)로 두고, 실제 차량 텔레메트리에 대한 검증이 무엇을 요구할지 논의한다.