개방형 RF 지문 인식을 위한 분포 외(OOD) 탐지기
Out-of-Distribution (OOD) Detectors for Open-Set RF Fingerprinting
한국어 초록
무선 주파수(RF) 지문 인식 시스템은 미지 송신기로부터의 신호와 시간적 드리프트가 테스트 시점에 분포 변화를 유발하는 개방형 환경에서 동작해야 한다. 분포 외(OOD) 탐지는 이 문제에 자연스러운 프레임워크를 제공하지만, RF 지문 인식(RFF)에의 적용은 아직 제한적이다. 채택의 주요 장벽은 대부분의 OOD 탐지기가 파라미터 튜닝을 위해 보조 OOD 데이터를 필요로 한다는 점이며, 대표적인 OOD 데이터를 수집하기 어려운 RF 환경에서는 이 가정을 충족하기 어렵다. 본 연구에서는 기계학습 문헌의 유망한 OOD 탐지 방법들을 개방형 RFF 영역에 도입한다. 이러한 방법들을 통신 시스템에 자연스러운 프레임워크인 정보 이론에 기반한 통합 수학적 프레임워크 내에서 제시한다. 이 프레임워크는 방법의 체계적 분석과 새로운 방법 개발을 가능하게 한다. 또한 주어진 OOD 튜닝 데이터 없이 OOD 탐지기를 튜닝하는 최근 연구의 적용 가능성을 개방형 RFF에 대해 입증한다. POWDER RF 지문 인식 데이터셋에서 평가한 결과, 주어진 OOD 데이터 없이 튜닝된 탐지기는 실제 OOD 튜닝 데이터에 접근할 수 있는 기준선과 유사한 성능을 달성하고, 실제 OOD 튜닝 데이터에 접근할 수 없는 기준선 접근법을 크게 능가하여 RFF 문제에 대한 실용적 타당성을 보여준다.
원문 초록
Radio-frequency (RF) fingerprinting systems must operate in open-world environments where signals from unknown transmitters and temporal drift introduce distribution shift at test time. Out-of-distribution (OOD) detection provides a natural framework for this problem, yet its application to RF fingerprinting (RFF) remains limited. A key barrier to their adoption is that most OOD detectors require auxiliary OOD data for parameter tuning, an assumption that is difficult to satisfy in RF environments where representative OOD data is impractical to collect. In this work, we introduce a promising set of OOD detection methods from the machine learning literature to open-set RFF domain. We present these methods within a unified mathematical framework based on information theory, which is a natural framework for communication systems. Our framework allows for the systematic analysis of methods and development of new methods. We further demonstrate the applicability of recent work on tuning OOD detectors without given OOD tuning data for open-set RFF. We evaluate on the POWDER RF fingerprinting dataset, showing that detectors tuned without any given OOD data achieve performance comparable to baselines with access to true OOD tuning data and greatly out-perform baseline approaches without access to true OOD tuning data, showcasing the practical viability for the RFF problem.
요약
RF 지문 인식(RFF)의 개방형 환경 문제를 해결하기 위해 정보 이론 기반의 통합된 프레임워크를 통해 분포 외(OOD) 탐지 방법을 도입하고, OOD 튜닝 데이터 없이도 최적화가 가능한 방법을 제안합니다. POWDER 데이터셋에서의 평가 결과, 제안된 방법이 OOD 데이터 없이도 실제 OOD 데이터를 사용한 기준선과 유사한 성능을 보임을 확인했습니다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12718v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CUBE: 오픈셋 곤충 종 인식을 위한 클래스 조건부 미지 경계 증거
CUBE: Class-conditioned Unknown Boundary Evidence for Open-Set Insect Species Recognition
오픈셋(open-set) 곤충 종 인식은 실제 생물다양성 시나리오에 적용될 때, 특히 학습(training)에 사용된 기지(known) 클래스와 시각적으로 매우 유사한 미지(unknown) 종을 마주할 경우 심각한 어려움에 직면합니다. 일반적인 분포 외(OOD, out-of-distribution) 샘플과 달리, 세밀한(fine-grained) 미지 곤충은 시각적으로 이상 징후를 보이지 않는 경우가 많습니다. 대신 특정 기지 종의 결정 경계(decision boundary) 근처에 나타나는 경향이 있어 신뢰할 수 없는 닫힌 집합(closed-set) 예측을 초래합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 미지성을 단일 글로벌 미지 클래스로 다루는 대신 각 기지 종 주변에서 모델링하는 새로운 증거 기반 프레임워크인 Class-conditioned Unknown Boundary Evidence(CUBE)를 제안합니다. 우리의 핵심 아이디어는 테스트 샘플을 가장 유사한 기지 종과 비교하여 평가함으로써, 시각적으로 혼동하기 쉬운 미지 곤충에 대한 국소적 거부(local rejection)를 가능하게 하는 것입니다. CUBE는 보조 종(auxiliary species)으로부터 클래스 조건부 경계 증거를 학습하고, 추론(inference) 중에는 보조 종을 섀도우 레퍼런스(shadow reference)로 보존하며, 생물학적 타당성을 검증하기 위해 분류학적 후보 보정(taxonomic candidate calibration)을 통합합니다. 생태학적 메타데이터를 사용할 수 있는 경우, 시각 백본을 수정하지 않고 경량의 위치 일관성(location-consistency) 항을 추가하는 CUBE-E를 추가로 도입합니다. Open-Insect C-America 벤치마크 실험 결과, CUBE는 94.9%의 닫힌 집합 정확도를 유지하면서 국소(local), 비국소(non-local), 비나방(non-moth) 미지 분할에서 각각 95.8%, 98.7%, 99.1%의 AUROC로 최첨단(SOTA) 베이스라인을 능가하는 우수한 성능을 달성함을 보여줍니다. 생태학적 메타데이터를 활용한 CUBE-E는 이를 더욱 향상시켜 95.2%의 닫힌 집합 정확도와 함께 96.0%, 99.7%, 99.5%의 AUROC를 기록합니다.
확산 기반 의료 영상 합성에서 의미론적 정확성의 대리 지표로서의 불확실성
Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis
확산 모델(Diffusion model)은 조영 증강 CT(CECT)를 비조영 CT(NCCT)로부터 합성할 수 있어 조영제 투여와 그에 따른 환경적 비용 및 환자 접근성 비용을 줄일 수 있다. 그러나 시각적으로 사실적인 이미지가 반드시 해부학적으로 정확한 것은 아니며, 생성 품질을 평가하는 데 사용되는 픽셀 강도 및 특징 공간 유사도 지표는 해부학적 정확성을 직접 측정하지 못한다. 본 연구에서는 확산 기반 의료 영상 합성에서 불확실성(uncertainty)이 의미론적 정확성(semantic correctness)의 대리 지표로 기능할 수 있는지 조사한다. 우리는 CECT 영상과 내강 분할(lumen segmentation)을 공동으로 생성하는 멀티태스크 확산 프레임워크인 AortaDiff를 활용하여 NCCT-to-CECT 합성을 연구한다. 분할 출력은 생성된 혈관 해부학에 대한 명시적 표현을 제공하여 분할 기반 오차를 생성 정확성의 정량적 척도로 사용할 수 있게 한다. 가중치(Ensemble, HyperDiff, BayesDiff), 아키텍처 섭동(MCDropout), 생성 확률성(RDS), 입력 섭동(TTA) 불확실성을 아우르는 6가지 방법을 픽셀, 영역, 이미지 수준에서 비교하고, 임상적으로 유의미한 분포 외(OOD) 케이스 탐지에 대해 평가한다. 불확실성은 세 가지 공간적 척도 모두에서 유의미한 정보를 제공하며, 분포 이동(distribution shift)이 존재하는 외부 다기관 데이터셋에서도 유효성을 유지하고 OOD 탐지를 지원함을 확인했다. 특히 6가지 방법 중 MCDropout이 두드러졌다. 모든 척도에서 선도적인 방법 중 하나로 평가받았으며, 외부 데이터셋에서도 우수한 일반화 성능을 보였고, 이미 드롭아웃으로 학습된 모든 모델에서 추론 시 바로 활성화할 수 있어 추가적인 학습 비용 없이 신뢰할 수 있는 불확실성을 제공한다. 불확실성은 심각한 실패 사례를 신뢰성 있게 감지하지만, 이미 고품질인 이미지들 사이에서는 구별력이 떨어진다. 이러한 발견은 불확실성이 NCCT-to-CECT 합성에서 품질 필터링, 신뢰성 평가 및 OOD 탐지를 위한 실용적이고 계산 효율적인 신호로 활용될 수 있음을 뒷받침한다.
Vmem-$\varphi$: 막전위 통계 기반 스파이킹 신경망의 저연산 분포 외 탐지
Vmem-$\varphi$: Low-Compute Out-of-Distribution Detection in Spiking Neural Networks from Membrane-Potential Statistics
스파이킹 신경망(SNN, Spiking Neural Networks)은 이벤트 카메라(event-camera) 데이터를 처리하는 데 에너지 효율적인 접근법을 제공하지만, 이러한 환경에서 분포 외(out-of-distribution, OOD) 탐지는 여전히 어려운 과제로 남아 있다. 기존 OOD 탐지 방법들은 객체 검출 SNN에서는 사용할 수 없는 모델 출력이나 연산 구성 요소에 의존하거나, 저연산 배포 환경에 적합하지 않은 경우가 많다. 이를 해결하기 위해, 우리는 역치 이하(subthreshold) 막전위 \(V_{\mathrm{mem}}(t)\)가 분포 변화(distribution shift)를 탐지하는 데 유용한 내부 신호를 제공함을 보인다. 이러한 막전위 동역학으로부터 도출한 단순한 채널별 통계량을 통해 OOD 탐지가 가능하다. 이 접근법을 평가하기 위해, 우리는 Prophesee Gen1 자동차 검출 데이터셋을 기반으로 개발한 이벤트 카메라 손상(corruption) 벤치마크인 Gen1-C를 소개하며, 이는 센서 특성에 기반한 6가지 히스토그램 수준의 스트레스 테스트를 5단계의 심각도로 포함한다. 우리는 또한 막전위 통계량에 기반해 동작하는 손상에 무관한(corruption-blind) 방법인 다중 서술자 편차(Multi-Descriptor Deviation, MDD)를 제안한다. 가장 높은 손상 심각도에서, MDD는 단 64프레임의 제한된 관찰 윈도우만을 사용하여 6가지 손상 유형 중 5가지에서 0.88 이상의 AUROC를 달성한다. 특히, 나머지 하나의 손상 유형은 기본 검출기(underlying detector)에 가장 적은 영향을 미치는 손상이기도 하다. 이러한 결과는 시간적 막전위 동역학이 SNN 기반 이벤트 인식에서 OOD 탐지를 위한 효과적이고 저비용의 신호를 제공할 수 있음을 보여준다.
XCT-SAM: 산업 XCT 결함 분할을 위한 SAM의 순차적 매개변수 효율 도메인 적응
XCT-SAM: Sequential Parameter-Efficient Domain Adaptation of SAM for Industrial XCT Defect Segmentation
적층 제조(additive manufacturing, AM) X선 컴퓨터 단층촬영(X-ray computed tomography, XCT) 영상에서의 결함 분할은 클래스 불균형이 심하고 스캔 조건에 따른 분포 변화가 크기 때문에 여전히 어려운 과제이다. 최근 Segment Anything Model(SAM)과 같은 파운데이션 모델이 범용 분할 사전지식을 강력하게 제공하지만, 자연 영상 사전학습은 결함이 미세하고 비의미적(non-semantic) 미세구조 이상으로 나타나는 AM XCT 도메인으로는 잘 전이되지 않는다. 또한 SAM을 AM 도메인에 적응시키는 것은 도메인 간격이 크고 라벨이 붙은 실제 XCT 데이터가 부족하다는 점에서 더욱 제한된다. 우리는 AM XCT 결함 분할을 위한 순차적 매개변수 효율적 적응 프레임워크인 XCT-SAM을 제안한다. 자연 영상에서 XCT 데이터로 SAM을 직접 적응시키는 대신, 먼저 합금 미세구조 데이터셋에서 Conv-LoRA 어댑터를 파인튜닝하고, 이후 적응된 모델을 XCT 영상으로 전이하여 도메인 간격을 점진적으로 줄인다. rank r=2의 Conv-LoRA 어댑터를 사용하여, 이 프레임워크는 SAM 백본에 합성곱 공간적 귀납적 바이어스(inductive bias)를 주입하면서 약 4.15M 매개변수만 학습하고 모델의 99% 이상을 고정(frozen)한다. XCT-SAM을 분포 외(out-of-distribution) CycleGAN-XCT 벤치마크와 실제 NIST XCT 스캔에서 평가한다. 두 설정 모두에서 XCT-SAM은 제로샷(zero-shot) SAM 및 기타 도메인 적응 SAM 기준선을 일관되게 능가하며, 전체 IoU 및 Dice 점수에서 최고 성능을 달성한다. 이러한 결과는 산업 XCT 결함 분할에서 매개변수 효율적 어댑터를 이용한 중간 도메인 적응의 효과를 보여준다. 소스 코드는 https://github.com/Mahedi-61/XCT-SAM.git 에서 공개되어 있다.
PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection
PRISM: Stress-Testing Alignment-Faking Claims
토론
이 논문과 연결된 포럼 글이 아직 없습니다.