An Explainable AI Framework for Dynamic Resource Management in Vehicular Network Slicing

投稿日: 2025年6月16日 作成者: jarxiv

要約

効果的なリソース管理とネットワークスライスは、強化されたモバイルブロードバンド（EMBB）や超信頼性の低い低遅延コミュニケーション（URLLC）を含む、車両ネットワークの多様なサービス需要を満たすために不可欠です。
このペーパーでは、車両ネットワークでの動的ネットワークスライスとリソース割り当てのための説明可能なディープ補強学習（XRL）フレームワークを紹介します。
Shapleyの価値と注意メカニズムを活用する機能ベースのアプローチを統合することにより、補強学習エージェントの決定を解釈および改良し、車両通信システムの重要な信頼性の課題に対処します。
シミュレーション結果は、私たちのアプローチがリソース割り当てプロセスに関する明確でリアルタイムの洞察を提供し、純粋な注意メカニズムよりも高い解釈可能性の精度を達成することを示しています。
さらに、URLLCサービスのサービス品質（QOS）の満足度は78.0％から80.13％に増加しましたが、EMBBサービスの質は71.44％から73.21％に向上しました。

要約(オリジナル)

Effective resource management and network slicing are essential to meet the diverse service demands of vehicular networks, including Enhanced Mobile Broadband (eMBB) and Ultra-Reliable and Low-Latency Communications (URLLC). This paper introduces an Explainable Deep Reinforcement Learning (XRL) framework for dynamic network slicing and resource allocation in vehicular networks, built upon a near-real-time RAN intelligent controller. By integrating a feature-based approach that leverages Shapley values and an attention mechanism, we interpret and refine the decisions of our reinforcementlearning agents, addressing key reliability challenges in vehicular communication systems. Simulation results demonstrate that our approach provides clear, real-time insights into the resource allocation process and achieves higher interpretability precision than a pure attention mechanism. Furthermore, the Quality of Service (QoS) satisfaction for URLLC services increased from 78.0% to 80.13%, while that for eMBB services improved from 71.44% to 73.21%.

arxiv情報

著者 Haochen Sun,Yifan Liu,Ahmed Al-Tahmeesschi,Swarna Chetty,Syed Ali Raza Zaidi,Avishek Nag,Hamed Ahmadi
発行日 2025-06-13 15:32:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | コメントする

Towards a Cascaded LLM Framework for Cost-effective Human-AI Decision-Making

投稿日: 2025年6月16日 作成者: jarxiv

要約

効果的な人間と意思決定のバランスは、3つの重要な要素をバランスさせます。\ textit {正しさ}の予測、知識と推論の複雑さの\ textit {cost}、および\ textit {abstain}の回答を自動化するか、人間の専門家を巻き込むかについての自信。
この作業では、複数の専門知識の層にタスクを適応的に委任するカスケードLLM決定フレームワークを提示します。最初の候補者の回答の基本モデル、より有能で知識豊富な（ただし費用がかかる）大規模なモデル、およびモデルがカスケードを控えるときの人間の専門家です。
私たちの方法は2つの段階で進行します。
まず、延期ポリシーは、ベースモデルの回答を受け入れるか、信頼性スコアに基づいて大きなモデルでそれを再生するかを決定します。
第二に、棄権ポリシーは、カスケードモデルの応答が十分に確実であるかどうか、または人間の介入を必要とするかどうかを決定します。
さらに、人間のフィードバックを活用して時間の経過とともに意思決定の質を向上させることができるオンライン学習メカニズムをフレームワークに組み込みます。
このアプローチは、一般的な質問（アークイエサとアークチャレンジ）および医学的質問（MedqaとMedMcqa）に対するこのアプローチを実証します。
私たちの結果は、私たちのカスケード戦略は、ほとんどの場合、コストを削減し、棄権を処理する原則的な方法を提供しながら、単一モデルのベースラインよりも優れていることを示しています。

要約(オリジナル)

Effective human-AI decision-making balances three key factors: the \textit{correctness} of predictions, the \textit{cost} of knowledge and reasoning complexity, and the confidence about whether to \textit{abstain} automated answers or involve human experts. In this work, we present a cascaded LLM decision framework that adaptively delegates tasks across multiple tiers of expertise — a base model for initial candidate answers, a more capable and knowledgeable (but costlier) large model, and a human expert for when the model cascade abstains. Our method proceeds in two stages. First, a deferral policy determines whether to accept the base model’s answer or regenerate it with the large model based on the confidence score. Second, an abstention policy decides whether the cascade model response is sufficiently certain or requires human intervention. Moreover, we incorporate an online learning mechanism in the framework that can leverage human feedback to improve decision quality over time. We demonstrate this approach to general question-answering (ARC-Easy and ARC-Challenge) and medical question-answering (MedQA and MedMCQA). Our results show that our cascaded strategy outperforms in most cases single-model baselines in accuracy while reducing cost and providing a principled way to handle abstentions.

arxiv情報

著者 Claudio Fanconi,Mihaela van der Schaar
発行日 2025-06-13 15:36:22+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL | コメントする

Enter: Graduated Realism: A Pedagogical Framework for AI-Powered Avatars in Virtual Reality Teacher Training

投稿日: 2025年6月16日 作成者: jarxiv

要約

Virtual Reality Simulatorsは、教師トレーニングのための強力なツールを提供しますが、AIを搭載した生徒のアバターの統合は、効果的な教育学のためのアバターリアリズムの最適レベルを決定する重要な課題を提示します。
この文献レビューでは、VR教師トレーニングにおけるアバターリアリズムの進化を検証し、その理論的意味を統合し、将来のデザインを導くための新しい教育的枠組みを提案します。
系統的レビューを通じて、このペーパーでは、人間が制御するアバターから生成AIプロトタイプへの進行をたどります。
認知負荷理論などの学習理論を適用すると、高忠実度のアバターは初心者に過度の外部認知負荷を課す可能性があるため、最近の経験的発見によってサポートされているスタンスを課すことができるため、ハイパーリアリズムは常に最適ではないと主張します。
フォトリアリズムの技術的意欲と足場学習の教育的ニーズの間には大きなギャップが存在します。
このギャップに対処するために、私たちは卒業生のリアリズムを提案します。これは、忠実度の低いアバターを持つ研修生を開始することを提唱するフレームワークであり、スキルが発展するにつれて行動の複雑さを徐々に増加させます。
これを計算可能に実現可能にするために、新しいシングルコールアーキテクチャ、クレイジースロットの概要を説明します。クレイジースロットは、確率的エンジンと検索された生成データベースを使用して、マルチステップ推論モデルの遅延とコストなしで本物のリアルタイムの応答を生成します。
このレビューは、次世代のAIシミュレータを設計するためのエビデンスに基づいた原則を提供し、リアリズムに対する教育的に根拠のあるアプローチがスケーラブルで効果的な教師教育ツールを作成するために不可欠であると主張しています。

要約(オリジナル)

Virtual Reality simulators offer a powerful tool for teacher training, yet the integration of AI-powered student avatars presents a critical challenge: determining the optimal level of avatar realism for effective pedagogy. This literature review examines the evolution of avatar realism in VR teacher training, synthesizes its theoretical implications, and proposes a new pedagogical framework to guide future design. Through a systematic review, this paper traces the progression from human-controlled avatars to generative AI prototypes. Applying learning theories like Cognitive Load Theory, we argue that hyper-realism is not always optimal, as high-fidelity avatars can impose excessive extraneous cognitive load on novices, a stance supported by recent empirical findings. A significant gap exists between the technological drive for photorealism and the pedagogical need for scaffolded learning. To address this gap, we propose Graduated Realism, a framework advocating for starting trainees with lower-fidelity avatars and progressively increasing behavioral complexity as skills develop. To make this computationally feasible, we outline a novel single-call architecture, Crazy Slots, which uses a probabilistic engine and a Retrieval-Augmented Generation database to generate authentic, real-time responses without the latency and cost of multi-step reasoning models. This review provides evidence-based principles for designing the next generation of AI simulators, arguing that a pedagogically grounded approach to realism is essential for creating scalable and effective teacher education tools.

arxiv情報

著者 Judson Leroy Dean Haynes IV
発行日 2025-06-13 15:37:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.HC | コメントする

Combining Deep Reinforcement Learning and Search with Generative Models for Game-Theoretic Opponent Modeling

投稿日: 2025年6月16日 作成者: jarxiv

要約

対戦相手のモデリング方法には、通常、2つの重要な手順が含まれます。対戦相手の戦略に対する信念分布の構築と、最良の応答を実行してこの相手モデルを悪用します。
ただし、既存のアプローチでは通常、そのようなモデルを思い付くためにドメイン固有の肝臓が必要であり、最良の応答を近似するためのアルゴリズムは、大きく不完全な情報ドメインで拡張するのが困難です。
この作業では、ディープゲーム理論強化学習を使用した相手モデリングのためのスケーラブルで一般的なマルチエージェントトレーニング体制を紹介します。
最初に、計画中に世界の状態をサンプリングする学習した深い生成モデルを使用して、モンテカルロツリー検索（MCTS）に基づく最高の応答アルゴリズムであるGenerative Best Respoonse（GenBR）を提案します。
この新しい方法は、大きな不完全な情報ドメインにスケーリングし、さまざまなマルチエージェントアルゴリズムでプラグアンドプレイできます。
この新しい方法は、ポリシー空間応答Oracles（PSRO）のフレームワークの下で使用して、反復的なゲーム理論的推論と人口ベースのトレーニングを介して\ emph {オフライン相手モデル}の生成を自動化します。
交渉理論に基づいてソリューションの概念を使用して、相手の混合物を構築することを提案します。これは、パレートフロンティアの近くにある識別プロファイルを見つけることがわかります。
その後、GenBRは\ emphems {オンライン相手モデル}を更新し続け、ゲームプレイ中にそれに対して反応します。
私たちは、人間の参加者が、二国間交渉ゲームのクラスであるDeal-Or-No-Dealでエージェントと交渉する行動研究を実施します。
生成モデリングを使用して検索すると、トレーニング時間とテスト時間の両方でより強力なポリシーが見つかり、オンラインベイジアンの共同プレイヤー予測を可能にし、人間が自分自身の間で取引することとして人間と交渉する同等の社会福祉とナッシュ交渉スコアを達成するエージェントを生み出すことができます。

要約(オリジナル)

Opponent modeling methods typically involve two crucial steps: building a belief distribution over opponents’ strategies, and exploiting this opponent model by playing a best response. However, existing approaches typically require domain-specific heurstics to come up with such a model, and algorithms for approximating best responses are hard to scale in large, imperfect information domains. In this work, we introduce a scalable and generic multiagent training regime for opponent modeling using deep game-theoretic reinforcement learning. We first propose Generative Best Respoonse (GenBR), a best response algorithm based on Monte-Carlo Tree Search (MCTS) with a learned deep generative model that samples world states during planning. This new method scales to large imperfect information domains and can be plug and play in a variety of multiagent algorithms. We use this new method under the framework of Policy Space Response Oracles (PSRO), to automate the generation of an \emph{offline opponent model} via iterative game-theoretic reasoning and population-based training. We propose using solution concepts based on bargaining theory to build up an opponent mixture, which we find identifying profiles that are near the Pareto frontier. Then GenBR keeps updating an \emph{online opponent model} and reacts against it during gameplay. We conduct behavioral studies where human participants negotiate with our agents in Deal-or-No-Deal, a class of bilateral bargaining games. Search with generative modeling finds stronger policies during both training time and test time, enables online Bayesian co-player prediction, and can produce agents that achieve comparable social welfare and Nash bargaining score negotiating with humans as humans trading among themselves.

arxiv情報

著者 Zun Li,Marc Lanctot,Kevin R. McKee,Luke Marris,Ian Gemp,Daniel Hennes,Paul Muller,Kate Larson,Yoram Bachrach,Michael P. Wellman
発行日 2025-06-13 15:38:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.GT, cs.LG, cs.MA | コメントする

Attention-based Adversarial Robust Distillation in Radio Signal Classifications for Low-Power IoT Devices

投稿日: 2025年6月16日 作成者: jarxiv

要約

自然言語処理やコンピュータービジョンなどの多くのアプリケーションで変圧器が大成功を収めたため、変圧器は自動変調分類に成功しています。
トランスベースの無線信号分類は、敵対例と呼ばれる知覚できない慎重に作成された攻撃に対して脆弱であることを示しました。
したがって、トランスベースの変調分類における敵対的な例に対する防御システムを提案します。
特にモノのインターネット（IoT）ベースのアプリケーションまたは電源が限られている環境でのデバイスの操作に適した計算効率の高いアーキテクチャの必要性を考慮すると、変調分類のためのコンパクトな変圧器を提案します。
変圧器の敵対的なトレーニングなどの堅牢なトレーニングの利点は、コンパクトな変圧器では達成できない場合があります。
これを実証することにより、敵対的な攻撃の存在下で堅牢性を高めることができる新しいコンパクトトランスを提案します。
新しい方法は、堅牢に訓練された大きなトランスから敵対的な注意マップをコンパクトな変圧器に転送することを目的としています。
提案された方法は、高速勾配法と投影された勾配降下攻撃など、考慮されたホワイトボックスシナリオの最先端の技術よりも優れています。
基礎となる作業メカニズムの推論を提供し、異なるアーキテクチャ間の敵対的な例の移動性を調査しました。
提案された方法には、敵対的な例の移動性から変圧器を保護する可能性があります。

要約(オリジナル)

Due to great success of transformers in many applications such as natural language processing and computer vision, transformers have been successfully applied in automatic modulation classification. We have shown that transformer-based radio signal classification is vulnerable to imperceptible and carefully crafted attacks called adversarial examples. Therefore, we propose a defense system against adversarial examples in transformer-based modulation classifications. Considering the need for computationally efficient architecture particularly for Internet of Things (IoT)-based applications or operation of devices in environment where power supply is limited, we propose a compact transformer for modulation classification. The advantages of robust training such as adversarial training in transformers may not be attainable in compact transformers. By demonstrating this, we propose a novel compact transformer that can enhance robustness in the presence of adversarial attacks. The new method is aimed at transferring the adversarial attention map from the robustly trained large transformer to a compact transformer. The proposed method outperforms the state-of-the-art techniques for the considered white-box scenarios including fast gradient method and projected gradient descent attacks. We have provided reasoning of the underlying working mechanisms and investigated the transferability of the adversarial examples between different architectures. The proposed method has the potential to protect the transformer from the transferability of adversarial examples.

arxiv情報

著者 Lu Zhang,Sangarapillai Lambotharan,Gan Zheng,Guisheng Liao,Basil AsSadhan,Fabio Roli
発行日 2025-06-13 15:39:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | コメントする

DeePoly: A High-Order Accuracy Scientific Machine Learning Framework for Function Approximation and Solving PDEs

投稿日: 2025年6月16日 作成者: jarxiv

要約

最近、機械学習方法は、特に部分的な微分方程式（PDE）を解くために、科学的コンピューティングで大きな牽引力を獲得しました。
ただし、深いニューラルネットワーク（DNNS）に基づく方法は、従来の数値スキームと比較して収束保証と計算効率を欠いていることがよくあります。
このワークでは、ソリューションパラダイムを純粋な非凸パラメーターの最適化から2段階のアプローチに変換する新しいフレームワークであるDeepolyを紹介します。最初にDNNを使用して複雑なグローバル機能をキャプチャし、次にDNN抽出機能（Spotter）と多項式基底関数（スナイパー）を組み合わせた線形空間最適化が続きます。
この戦略的組み合わせは、両方の方法の相補的な強度を活用します – DNNSは複雑なグローバルな特徴（つまり、高勾配の特徴）を近似し、多項式近似を安定化し、多項式塩基は収束保証と高精度の局所補正を提供します。
理論分析と数値実験は、このアプローチがメッシュフリーおよびスキームのないプロパティを維持しながら、多様な問題タイプ全体で高次精度と効率の両方を大幅に向上させることを示しています。
この論文は、オープンソースプロジェクトDeepolyの理論的博覧会としても機能します。

要約(オリジナル)

Recently, machine learning methods have gained significant traction in scientific computing, particularly for solving Partial Differential Equations (PDEs). However, methods based on deep neural networks (DNNs) often lack convergence guarantees and computational efficiency compared to traditional numerical schemes. This work introduces DeePoly, a novel framework that transforms the solution paradigm from pure non-convex parameter optimization to a two-stage approach: first employing a DNN to capture complex global features, followed by linear space optimization with combined DNN-extracted features (Spotter) and polynomial basis functions (Sniper). This strategic combination leverages the complementary strengths of both methods — DNNs excel at approximating complex global features (i.e., high-gradient features) and stabilize the polynomial approximation while polynomial bases provide high-precision local corrections with convergence guarantees. Theoretical analysis and numerical experiments demonstrate that this approach significantly enhances both high-order accuracy and efficiency across diverse problem types while maintaining mesh-free and scheme-free properties. This paper also serves as a theoretical exposition for the open-source project DeePoly.

arxiv情報

著者 Li Liu,Heng Yong
発行日 2025-06-13 15:43:02+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | コメントする

Graph of Attacks with Pruning: Optimizing Stealthy Jailbreak Prompt Generation for Enhanced LLM Content Moderation

投稿日: 2025年6月16日 作成者: jarxiv

要約

大規模な言語モデル（LLM）がますます普及するにつれて、敵対的な誤用に対する堅牢性が重要であることを保証します。
このペーパーでは、LLMセーフガードを評価および強化するためのステルスジェイルブレイクプロンプトを生成するための高度なアプローチである、剪定による攻撃のグラフ）フレームワークを紹介します。
ギャップは、攻撃パス全体で知識共有を可能にする相互接続されたグラフ構造を実装することにより、既存のツリーベースのLLM脱獄法の制限に対処します。
私たちの実験的評価は、既存の手法に対するギャップの優位性を示しており、攻撃の成功率が20.8％増加し、クエリコストを62.7％削減します。
ギャップは、オープンLLMとクローズドLLMの両方を攻撃するための最先端の方法を一貫して上回り、攻撃成功率は96％を超えています。
さらに、自動化されたシード生成用のGAP-AUTOなどの特殊なバリアント、マルチモーダル攻撃用のGAP-VLMを提示します。
ギャップ生成プロンプトは、コンテンツモデレーションシステムの改善に非常に効果的であり、微調整に使用した場合、真の陽性検出率を108.5％、精度を183.6％増加させます。
実装はhttps://github.com/dsbuddy/gap-llm-safetyで入手できます。

要約(オリジナル)

As large language models (LLMs) become increasingly prevalent, ensuring their robustness against adversarial misuse is crucial. This paper introduces the GAP (Graph of Attacks with Pruning) framework, an advanced approach for generating stealthy jailbreak prompts to evaluate and enhance LLM safeguards. GAP addresses limitations in existing tree-based LLM jailbreak methods by implementing an interconnected graph structure that enables knowledge sharing across attack paths. Our experimental evaluation demonstrates GAP’s superiority over existing techniques, achieving a 20.8% increase in attack success rates while reducing query costs by 62.7%. GAP consistently outperforms state-of-the-art methods for attacking both open and closed LLMs, with attack success rates of >96%. Additionally, we present specialized variants like GAP-Auto for automated seed generation and GAP-VLM for multimodal attacks. GAP-generated prompts prove highly effective in improving content moderation systems, increasing true positive detection rates by 108.5% and accuracy by 183.6% when used for fine-tuning. Our implementation is available at https://github.com/dsbuddy/GAP-LLM-Safety.

arxiv情報

著者 Daniel Schwartz,Dmitriy Bespalov,Zhe Wang,Ninad Kulkarni,Yanjun Qi
発行日 2025-06-13 15:44:43+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.CR | コメントする

Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories

投稿日: 2025年6月16日 作成者: jarxiv

要約

屋内ポジショニングシステム（IPS）は、複雑なマルチストア環境でのロケーションベースのサービスにとってますます不可欠です。
この研究では、Wi-Fi指紋軌跡を使用した床分離のための新しいグラフベースのアプローチを提案し、屋内設定における垂直局在の課題に対処します。
ノードがWi-Fiフィンガープリントを表し、エッジが信号の類似性とコンテキスト遷移によって重み付けされるグラフを作成します。
node2vecは、低次元の埋め込みを生成するために採用されており、その後、K-meansを使用してクラスター化され、異なる床を識別します。
Huawei University Challenge 2021データセットで評価されたこの方法は、従来のコミュニティ検出アルゴリズムを上回り、68.97 \％の精度、61.99 \％のF1スコア、および57.19％の調整されたRANDインデックスを達成します。
前処理されたデータセットと実装コードを公開することにより、この作業は屋内ポジショニングでの研究の進歩に貢献します。
提案されたアプローチは、ノイズとアーキテクチャの複雑さを信号する堅牢性を示し、床レベルのローカリゼーションのためのスケーラブルなソリューションを提供します。

要約(オリジナル)

Indoor positioning systems (IPSs) are increasingly vital for location-based services in complex multi-storey environments. This study proposes a novel graph-based approach for floor separation using Wi-Fi fingerprint trajectories, addressing the challenge of vertical localization in indoor settings. We construct a graph where nodes represent Wi-Fi fingerprints, and edges are weighted by signal similarity and contextual transitions. Node2Vec is employed to generate low-dimensional embeddings, which are subsequently clustered using K-means to identify distinct floors. Evaluated on the Huawei University Challenge 2021 dataset, our method outperforms traditional community detection algorithms, achieving an accuracy of 68.97\%, an F1-score of 61.99\%, and an Adjusted Rand Index of 57.19\%. By publicly releasing the preprocessed dataset and implementation code, this work contributes to advancing research in indoor positioning. The proposed approach demonstrates robustness to signal noise and architectural complexities, offering a scalable solution for floor-level localization.

arxiv情報

著者 Rabia Yasa Kostas,Kahraman Kostas
発行日 2025-06-13 15:48:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CR, cs.LG, cs.NI, cs.RO | コメントする

AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers

投稿日: 2025年6月16日 作成者: jarxiv

要約

神経代理モデリングの最近の進歩は、自動車空力などのアプリケーションの変革的革新の可能性を提供します。
しかし、産業規模の問題には、多くの場合、細胞数が1億人に達する体積メッシュが含まれ、主要なスケーラビリティの課題を提示します。
複雑なジオメトリは、複雑な表面体積相互作用を介してモデリングをさらに複雑にしますが、渦度などの量は非常に非線形であり、厳格な発散のない制約を満たす必要があります。
これらの要件に対処するために、CFDシミュレーションのために神経サロゲートを構築するための新しいモデリングスキームとしてab-upを紹介します。
ab-upは次のように設計されています。（i）マルチブランチオペレーターを介したジオメトリエンコードと予測タスクを分離する。
（ii）低次元の潜在空間でのニューラルシミュレーションを介した高解像度の出力のスケーラビリティを有効にし、固定されたニューラルフィールドデコーダと相まって、高忠実度出力を予測します。
（iii）新しい発散のない製剤による物理学の一貫性を強制します。
Ab-Uptは、33,000人から1億5,000万メッシュのメッシュセルの範囲の自動車CFDシミュレーションで、表面および体積フィールドの最先端の予測精度を生成することを示しています。
さらに、私たちの固定されたニューラルフィールドアーキテクチャにより、発散のない渦度フィールドをモデル化することで例示されるパフォーマンスの分解なしに、物理学の予測に対する硬い物理的制約の実施が可能になります。
特に、提案されているモデルは、1日以内に単一のGPUでトレーニングし、数秒以内に業界標準の表面と体積フィールドを予測できます。
さらに、この方法の柔軟な設計により、CADジオメトリのみからのニューラルシミュレーションが可能になり、費用のかかるCFDメッシュ手順が必要であることが示されています。

要約(オリジナル)

Recent advances in neural surrogate modeling offer the potential for transformative innovations in applications such as automotive aerodynamics. Yet, industrial-scale problems often involve volumetric meshes with cell counts reaching the 100 millions, presenting major scalability challenges. Complex geometries further complicate modeling through intricate surface-volume interactions, while quantities such as vorticity are highly nonlinear and must satisfy strict divergence-free constraints. To address these requirements, we introduce AB-UPT as a novel modeling scheme for building neural surrogates for CFD simulations. AB-UPT is designed to: (i) decouple geometry encoding and prediction tasks via multi-branch operators; (ii) enable scalability to high-resolution outputs via neural simulation in a low-dimensional latent space, coupled with anchored neural field decoders to predict high-fidelity outputs; (iii) enforce physics consistency by a novel divergence-free formulation. We show that AB-UPT yields state-of-the-art predictive accuracy of surface and volume fields on automotive CFD simulations ranging from 33 thousand up to 150 million mesh cells. Furthermore, our anchored neural field architecture enables the enforcement of hard physical constraints on the physics predictions without degradation in performance, exemplified by modeling divergence-free vorticity fields. Notably, the proposed models can be trained on a single GPU in less than a day and predict industry-standard surface and volume fields within seconds. Additionally, we show that the flexible design of our method enables neural simulation from a CAD geometry alone, omitting the need for costly CFD meshing procedures.

arxiv情報

著者 Benedikt Alkin,Maurits Bleeker,Richard Kurle,Tobias Kronlachner,Reinhard Sonnleitner,Matthias Dorfer,Johannes Brandstetter
発行日 2025-06-13 15:49:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | コメントする

A Neural Rejection System Against Universal Adversarial Perturbations in Radio Signal Classification

投稿日: 2025年6月16日 作成者: jarxiv

要約

近年の無線信号分類について、従来の方法よりも深い学習の利点が実証されています。
しかし、さまざまな研究者は、敵の例として知られる小規模だが意図的な特徴でさえ、深い学習ベースの無線信号分類のパフォーマンスを大幅に悪化させる可能性があることを発見しました。
さまざまな種類の敵対的な例の中で、普遍的な敵対的な摂動は、データが独立しているという特徴のためにかなりの注目を集めており、したがって、高い成功率で無線信号分類を欺くための実用的な戦略として。
したがって、このホワイトペーパーでは、普遍的な敵対的摂動に対して提案するために神経拒絶システムと呼ばれる防御システムを調査し、ホワイトボックスの普遍的な敵対的摂動を生成することによりそのパフォーマンスを評価します。
提案された神経拒絶システムは、無防備な深い神経ネットワークよりも大幅に高い精度で普遍的な敵対的摂動を擁護できることを示しています。

要約(オリジナル)

Advantages of deep learning over traditional methods have been demonstrated for radio signal classification in the recent years. However, various researchers have discovered that even a small but intentional feature perturbation known as adversarial examples can significantly deteriorate the performance of the deep learning based radio signal classification. Among various kinds of adversarial examples, universal adversarial perturbation has gained considerable attention due to its feature of being data independent, hence as a practical strategy to fool the radio signal classification with a high success rate. Therefore, in this paper, we investigate a defense system called neural rejection system to propose against universal adversarial perturbations, and evaluate its performance by generating white-box universal adversarial perturbations. We show that the proposed neural rejection system is able to defend universal adversarial perturbations with significantly higher accuracy than the undefended deep neural network.

arxiv情報

著者 Lu Zhang,Sangarapillai Lambotharan,Gan Zheng,Fabio Roli
発行日 2025-06-13 15:52:07+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | コメントする