論文の概要: Adaptive Bi-Recommendation and Self-Improving Network for Heterogeneous
Domain Adaptation-Assisted IoT Intrusion Detection
- arxiv url: http://arxiv.org/abs/2303.14317v1
- Date: Sat, 25 Mar 2023 01:03:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:37:22.529801
- Title: Adaptive Bi-Recommendation and Self-Improving Network for Heterogeneous
Domain Adaptation-Assisted IoT Intrusion Detection
- Title（参考訳）: 不均一領域適応型IoT侵入検出のための適応的2勧告と自己改善ネットワーク
- Authors: Jiashu Wu, Yang Wang, Hao Dai, Chengzhong Xu, Kenneth B. Kent
- Abstract要約: 非教師付きヘテロジニアス領域適応(HDA)に基づく適応的ビコメンデーションと自己改善ネットワーク(ABRSI)を提案する。
ABRSIは、適応的バイレコメンデーションマッチングにより、きめ細かい侵入知識の伝達を実現する。
ABRSIは自己改善機構を使用し、4つの方法から侵入知識の伝達を自律的に改善する。
- 参考スコア（独自算出の注目度）: 21.033380514644616
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As Internet of Things devices become prevalent, using intrusion detection to
protect IoT from malicious intrusions is of vital importance. However, the data
scarcity of IoT hinders the effectiveness of traditional intrusion detection
methods. To tackle this issue, in this paper, we propose the Adaptive
Bi-Recommendation and Self-Improving Network (ABRSI) based on unsupervised
heterogeneous domain adaptation (HDA). The ABRSI transfers enrich intrusion
knowledge from a data-rich network intrusion source domain to facilitate
effective intrusion detection for data-scarce IoT target domains. The ABRSI
achieves fine-grained intrusion knowledge transfer via adaptive
bi-recommendation matching. Matching the bi-recommendation interests of two
recommender systems and the alignment of intrusion categories in the shared
feature space form a mutual-benefit loop. Besides, the ABRSI uses a
self-improving mechanism, autonomously improving the intrusion knowledge
transfer from four ways. A hard pseudo label voting mechanism jointly considers
recommender system decision and label relationship information to promote more
accurate hard pseudo label assignment. To promote diversity and target data
participation during intrusion knowledge transfer, target instances failing to
be assigned with a hard pseudo label will be assigned with a probabilistic soft
pseudo label, forming a hybrid pseudo-labelling strategy. Meanwhile, the ABRSI
also makes soft pseudo-labels globally diverse and individually certain.
Finally, an error knowledge learning mechanism is utilised to adversarially
exploit factors that causes detection ambiguity and learns through both current
and previous error knowledge, preventing error knowledge forgetfulness.
Holistically, these mechanisms form the ABRSI model that boosts IoT intrusion
detection accuracy via HDA-assisted intrusion knowledge transfer.
- Abstract（参考訳）: Internet of Thingsデバイスが普及するにつれて、悪意のある侵入からIoTを保護する侵入検出が重要になる。
しかし、IoTのデータ不足は、従来の侵入検出方法の有効性を妨げる。
本稿では,非教師付き不均質領域適応(hda)に基づく適応型bi-recommendation and self-improving network (abrsi)を提案する。
ABRSIは、データ豊富なネットワーク侵入源ドメインから豊富な侵入知識を転送し、データスカースIoTターゲットドメインの効果的な侵入検出を容易にする。
ABRSIは、適応的バイレコメンデーションマッチングにより、きめ細かい侵入知識の伝達を実現する。
2つのレコメンダシステムのbi-recommendation利益と共有特徴空間における侵入カテゴリのアラインメントとのマッチングは相互に有利なループを形成する。
さらに、ABRSIは自己改善機構を使用し、侵入知識の移動を4つの方法から自律的に改善する。
ハード擬似ラベル投票機構は、より正確なハード擬似ラベル割り当てを促進するために、リコメンダシステム決定とラベル関係情報を共同で検討する。
侵入知識転送中に多様性と目標データ参加を促進するため、ハード擬似ラベルに割り当てられていないターゲットインスタンスには確率的ソフト擬似ラベルが割り当てられ、ハイブリッド擬似ラベル戦略が形成される。
一方、abrsiはソフトな擬似ラベルをグローバルに多様かつ個別に確実にしている。
最後に、誤り知識学習機構を用いて、検出曖昧性を引き起こし、現在および過去のエラー知識の両方を通して学習し、誤り知識の忘れやすさを防止する。
理論的には、これらのメカニズムはABRSIモデルを形成し、HDAによる侵入知識伝達を通じてIoT侵入検出精度を高める。
関連論文リスト
- Adaptive NAD: Online and Self-adaptive Unsupervised Network Anomaly Detector [6.430347394645541]
モノのインターネット(IoT)はサイバー脅威のリスクを高めており、進化や新たな攻撃に適応可能な異常検出システム(ADS)の開発が重要になっている。
これまでの研究は主に、実世界の応用には適用できないALSを保護するためのオフラインの教師なし学習手法に焦点をあてていた。
本稿では、セキュリティドメインにおけるオンラインの教師なし異常検出を改善し、解釈するための一般的なフレームワークであるAdaptive NADを設計する。
論文 参考訳（メタデータ） (2024-10-30T12:26:02Z) - Open Set Dandelion Network for IoT Intrusion Detection [19.012800248685277]
オープンセット方式で非教師付きヘテロジニアスドメイン適応に基づくオープンセットダンポリオンネットワーク(OSDN)を提案する。
OSDNモデルは、知識豊富なソースネットワーク侵入ドメインからの侵入知識転送を実行し、データスカースターゲットIoT侵入ドメインのより正確な侵入検出を容易にする。
いくつかの侵入データセットに関する総合的な実験は、OSDNモデルの有効性を検証し、3つの最先端のベースライン法を16.9%上回った。
論文 参考訳（メタデータ） (2023-11-19T06:28:43Z) - Adversarial Client Detection via Non-parametric Subspace Monitoring in
the Internet of Federated Things [3.280202415151067]
Internet of Federated Things (IoFT)は、フェデレート学習をバックボーンとする相互接続システムのネットワークである。
本稿では、敵攻撃問題に対処する効果的な非パラメトリックアプローチFedRRを提案する。
提案手法は,敵のクライアントを正確に検出し,攻撃が起こらないシナリオ下での誤報率を制御する。
論文 参考訳（メタデータ） (2023-10-02T18:25:02Z) - Unsupervised Domain Adaptation on Person Re-Identification via
Dual-level Asymmetric Mutual Learning [108.86940401125649]
本稿では,多種多様な埋め込み空間を持つより広い知識領域から識別的表現を学習するための,DAML(Dual-level Asymmetric Mutual Learning)を提案する。
2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。
Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける実験は、最先端技術よりもDAMLの方が優れていることを証明した。
論文 参考訳（メタデータ） (2023-01-29T12:36:17Z) - Heterogeneous Domain Adaptation for IoT Intrusion Detection: A Geometric
Graph Alignment Approach [21.7683532972677]
データ不足は、IoT侵入検出(IID)に対処する際のデータ依存アルゴリズムのユーザビリティを妨げる
我々は、IIDドメインのより正確な侵入検出を容易にするために、データリッチネットワーク侵入検出(NID)ドメインを利用する。
論文 参考訳（メタデータ） (2023-01-24T03:55:14Z) - Joint Semantic Transfer Network for IoT Intrusion Detection [25.937401774982614]
大規模で希少なラベル付きIoTドメインに対する効果的な侵入検出のための統合意味伝達ネットワーク(JSTN)を提案する。
マルチソースヘテロジニアスドメイン適応(MS-HDA)手法として、JSTNは知識豊富なネットワーク侵入(NI)ドメインと、別の小規模IoT侵入(II)ドメインをソースドメインとして統合する。
JSTNは、以下の3つのセマンティクスを共同で転送し、ドメイン不変かつ識別的特徴表現を学ぶ。
論文 参考訳（メタデータ） (2022-10-28T05:34:28Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳（メタデータ） (2021-06-18T13:34:36Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-12-26T07:35:35Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z) - Attentive WaveBlock: Complementarity-enhanced Mutual Networks for
Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。
AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。
実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-06-11T15:40:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。