慣性航法/差分プライバシー2025/10/1arXiv:2510.19352

ConvXformer: 差分プライバシーを備えたハイブリッドConvNeXt-Transformerによる慣性航法

ConvXformer: Differentially Private Hybrid ConvNeXt-Transformer for Inertial Navigation

ConvNeXtとTransformerを組み合わせた慣性航法モデルに、適応的勾配クリッピングと勾配整合ノイズ注入による差分プライバシー機構を導入し、プライバシーを保護しつつ位置推定精度を40%以上向上させた。

詳しい要約

1. どんなもの？

- Inertial Navigation 向けの深層学習モデル ConvXformer を提案した論文 - GPS 非依存環境での慣性シーケンス学習を対象 - ConvNeXt blocks と Transformer encoders を階層的に融合するハイブリッド構造 - 差分プライバシー (ε,δ)-differential privacy を保証しつつ測位性能を維持する枠組み - 産業機器の磁場擾乱下での実環境検証用に Mech-IO dataset を新規に導入

2. 先行研究と比べてどこがすごい？

- 従来のデータ駆動型 inertial tracking はプライバシー漏洩リスクがある - 既存の differential privacy 手法は高周波慣性計測で過剰なノイズを加え性能を損なう問題があった - 提案法は adaptive gradient clipping と gradient-aligned noise injection (GANI) により性能劣化を抑える - OxIOD, RIDI, RoNIN の benchmark で state-of-the-art を上回り、測位精度 40% 以上の改善を報告 - 実環境の磁気擾乱下での頑健性も示す点が新しい

3. 技術・手法の肝は？

- ConvNeXt blocks と Transformer encoders を階層的に組み合わせたハイブリッドアーキテクチャ - 差分プライバシー機構として adaptive gradient clipping と gradient-aligned noise injection (GANI) を導入 - truncated singular value decomposition を勾配処理に用い、privacy-utility trade-off を精密に制御 - 高周波慣性計測におけるノイズ注入の影響を抑える設計が肝

4. どうやって有効だと検証した？

- OxIOD, RIDI, RoNIN の benchmark datasets で包括的な性能評価を実施 - state-of-the-art 手法を上回り、測位精度で 40% 以上の改善を達成 - (ε,δ)-differential privacy 保証の下での評価を実施 - KAIST の mechanical engineering building で収集した Mech-IO dataset を導入し、産業機器の強い磁場によるセンサ擾乱下での頑健性を検証

5. 議論はある？

- 差分プライバシーと性能のトレードオフをどう制御するかが議論の焦点 - 高周波慣性計測におけるノイズ注入の影響と GANI の有効性 - 実環境の磁気擾乱に対する頑健性の評価 - cyber-physical systems における安全で知的なナビゲーションへの適用可能性 - 具体的な限界や失敗事例については要旨からは不明

6. 次に読むべき論文は？

- ConvNeXt の原論文 - Transformer の原論文 - differential privacy における gradient clipping や noise injection の関連研究 - truncated singular value decomposition を用いた差分プライバシー手法 - OxIOD, RIDI, RoNIN の各 benchmark 論文 - inertial navigation における深層学習ベースの odometry 研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Omer Tariq, Muhammad Bilal, Muneeb Ul Hassan, Dongsoo Han, Jon Crowcroft

分類: cs.LG, cs.CR, cs.RO

原文アブストラクト

Data-driven inertial sequence learning has revolutionized navigation in GPS-denied environments, offering superior odometric resolution compared to traditional Bayesian methods. However, deep learning-based inertial tracking systems remain vulnerable to privacy breaches that can expose sensitive training data. \hl{Existing differential privacy solutions often compromise model performance by introducing excessive noise, particularly in high-frequency inertial measurements.} In this article, we propose ConvXformer, a hybrid architecture that fuses ConvNeXt blocks with Transformer encoders in a hierarchical structure for robust inertial navigation. We propose an efficient differential privacy mechanism incorporating adaptive gradient clipping and gradient-aligned noise injection (GANI) to protect sensitive information while ensuring model performance. Our framework leverages truncated singular value decomposition for gradient processing, enabling precise control over the privacy-utility trade-off. Comprehensive performance evaluations on benchmark datasets (OxIOD, RIDI, RoNIN) demonstrate that ConvXformer surpasses state-of-the-art methods, achieving more than 40% improvement in positioning accuracy while ensuring $(\epsilon,\delta)$-differential privacy guarantees. To validate real-world performance, we introduce the Mech-IO dataset, collected from the mechanical engineering building at KAIST, where intense magnetic fields from industrial equipment induce significant sensor perturbations. This demonstrated robustness under severe environmental distortions makes our framework well-suited for secure and intelligent navigation in cyber-physical systems.

arXivで原文を読む →arXiv概要ページ

← 論文一覧