.png){kind=icon}
返回
MFVC-DM: A Multi-Feature Vector Construction-based Method for Adversarial Example Detection in Automatic Modulation Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11036-025-02468-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度神经网络（DNN）的自动调制分类（AMC）已成为无线通信系统中日益重要的技术，但这些网络对对抗性扰动表现出固有的脆弱性，可能导致分类性能严重下降。对抗样本检测提供了一种有效的防御策略，通过在输入到达分类器前识别恶意输入，保护AMC系统安全且无需架构修改。本文提出了一种基于多特征向量构造的检测方法（MFVC-DM），该方法整合了互补的统计表征，包括核密度估计、局部固有维度和K-means距离度量。这些特征从隐藏层激活中提取，并通过维度归一化和正交化级联到统一的高维特征空间中。在RML2016.10A数据集上的实验验证表明，MFVC-DM始终优于单特征检测方法，在对抗基于梯度的攻击时达到最高99.38%的检测准确率，对抗基于优化的扰动时达到93.43%，从而为AMC系统提供了有效的安全层。
Keyword:
Adversarial example detection
Adversarial attack
Deep neural network
Feature extraction
期刊
M
IF:
2
论文数:
38
被引数:
0
机构
引用论文
Adversarial example detection for DNN models: a review and experimental comparisonDNN模型的对抗性示例检测: 回顾和实验比较
.png){kind=icon}
PREAI
分享收藏Physical Adversarial Attacks Against End-to-End Autoencoder Communication Systems针对端到端自动编码器通信系统的物理对抗攻击
OAAI
OAAI分享收藏
查看更多内容