論文の概要: Federated Structured Sparse PCA for Anomaly Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2503.23981v1
• Date: Mon, 31 Mar 2025 11:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:08.107961
• Title: Federated Structured Sparse PCA for Anomaly Detection in IoT Networks
• Title（参考訳）: IoTネットワークにおける異常検出のためのFederated Structured Sparse PCA
• Authors: Chenyi Huang, Xinrong Li, Xianchao Xiu,
• Abstract要約: 本稿では,IoTネットワークにおける新しいフェデレーション型異常最小化手法を提案する。 提案したモデルは,$ell_2, sparse$で管理される行単位の空間性を統合する。 実験により、構造的疎結合が両方のモデルの解釈可能性を高めることが証明された。
• 参考スコア（独自算出の注目度）: 1.4500146354034478
• License:
• Abstract: Although federated learning has gained prominence as a privacy-preserving framework tailored for distributed Internet of Things (IoT) environments, current federated principal component analysis (PCA) methods lack integration of sparsity, a critical feature for robust anomaly detection. To address this limitation, we propose a novel federated structured sparse PCA (FedSSP) approach for anomaly detection in IoT networks. The proposed model uniquely integrates double sparsity regularization: (1) row-wise sparsity governed by $\ell_{2,p}$-norm with $p\in[0,1)$ to eliminate redundant feature dimensions, and (2) element-wise sparsity via $\ell_{q}$-norm with $q\in[0,1)$ to suppress noise-sensitive components. To efficiently solve this non-convex optimization problem in a distributed setting, we devise a proximal alternating minimization (PAM) algorithm with rigorous theoretical proofs establishing its convergence guarantees. Experiments on real datasets validate that incorporating structured sparsity enhances both model interpretability and detection accuracy.
• Abstract（参考訳）: 分散IoT(Internet of Things)環境に適したプライバシ保護フレームワークとして、フェデレーション学習が注目されているが、現在のフェデレーションプライマリコンポーネント分析(PCA)メソッドには、堅牢な異常検出のための重要な機能であるパリティの統合が欠如している。 この制限に対処するために、IoTネットワークにおける異常検出のための新しいフェデレートされた構造化スパースPCA(FedSSP)アプローチを提案する。 提案モデルでは, 冗長な特徴次元を除去するため, (1) $\ell_{2,p}$-normと$p\in[0,1)$と, (2) $\ell_{q}$-normを$q\in[0,1)$とすることでノイズ感受性成分を抑える。 分散環境でのこの非凸最適化問題を効率的に解くために,近似交互最小化法(PAM)アルゴリズムを,その収束保証を確立する厳密な理論的証明を用いて考案した。 実際のデータセットの実験では、構造化されたスパーシリティを組み込むことで、モデルの解釈可能性と検出精度が向上する。

関連論文リスト

• Enhancing Unsupervised Feature Selection via Double Sparsity Constrained Optimization [6.342485512772862]
  教師なし単一特徴選択(UFS)は機械学習やパターン認識に広く応用されている。 既存の手法のほとんどはスパーシリティしか考慮していないため、サブセットを選択し、元のサブセットと区別することは困難である。 本稿では,DSCOFSと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-01T05:05:46Z)
• End-to-End Convolutional Activation Anomaly Analysis for Anomaly Detection [41.94295877935867]
  エンドツーエンドの畳み込みアクティベーション異常解析(E2E-CA$3$) エンドツーエンドの畳み込み動作異常解析(E2E-CA$3$)を提案する。 これは、Sperl、Schulze、B"ottingerによって提案されたA$3$の異常検出アプローチの重要な拡張である。
  論文  参考訳（メタデータ） (2024-11-21T10:22:50Z)
• Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
  既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。 本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。 従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
  論文  参考訳（メタデータ） (2024-05-02T03:48:47Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks [19.861389496676964]
  主成分分析(PCA)は、異常検出のための正常かつ悪意のある動作に対応する2つの非結合部分空間にネットワークトラフィックを分離するために提案されている。 異常検出のための正常なネットワーク動作の結合プロファイルを集約するためにIoTデバイスをコーディネートする,PCAベースのGrassmannian最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-23T03:11:56Z)
• CAINNFlow: Convolutional block Attention modules and Invertible Neural Networks Flow for anomaly detection and localization tasks [28.835943674247346]
  本研究では, CBAMを組み込んだ複雑な関数モデルの設計を行い, 空間構造情報の保持と抽出を効果的に行うことができる。 CAINNFlowは,CNNとTransformerのバックボーンネットワークを特徴抽出器として,高度な精度と推論効率を実現する。
  論文  参考訳（メタデータ） (2022-06-04T13:45:08Z)
• The Sample Complexity of One-Hidden-Layer Neural Networks [57.6421258363243]
  本研究では,スカラー値を持つ一層ネットワークのクラスとユークリッドノルムで有界な入力について検討する。 隠蔽層重み行列のスペクトルノルムの制御は、一様収束を保証するには不十分であることを示す。 スペクトルノルム制御が十分であることを示す2つの重要な設定を解析する。
  論文  参考訳（メタデータ） (2022-02-13T07:12:02Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。