論文の概要: A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems

• arxiv url: http://arxiv.org/abs/2505.18234v1
• Date: Fri, 23 May 2025 13:03:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.24878
• Title: A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems
• Title（参考訳）: 産業用IoTシステムにおける侵入検知のためのロバストPPO最適化タブラルトランスフレームワーク
• Authors: Yuanya She,
• Abstract要約: 産業用モノのインターネット(IIoT)環境におけるネットワーク侵入検知システム(NIDS)を提案する。 本モデルでは,効率的な表表特徴表現のためのタブトランスフォーマをPPO(Proximal Policy Optimization)と統合し,分類決定を最適化する。 本手法はTONunderscore IoTベンチマークで97.73%のマクロF1スコアと98.85%の精度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a robust and reinforcement-learning-enhanced network intrusion detection system (NIDS) designed for class-imbalanced and few-shot attack scenarios in Industrial Internet of Things (IIoT) environments. Our model integrates a TabTransformer for effective tabular feature representation with Proximal Policy Optimization (PPO) to optimize classification decisions via policy learning. Evaluated on the TON\textunderscore IoT benchmark, our method achieves a macro F1-score of 97.73\% and accuracy of 98.85\%. Remarkably, even on extremely rare classes like man-in-the-middle (MITM), our model achieves an F1-score of 88.79\%, showcasing strong robustness and few-shot detection capabilities. Extensive ablation experiments confirm the complementary roles of TabTransformer and PPO in mitigating class imbalance and improving generalization. These results highlight the potential of combining transformer-based tabular learning with reinforcement learning for real-world NIDS applications.
• Abstract（参考訳）: 本稿では,産業用IoT(Industrial Internet of Things, IIoT)環境におけるクラス不均衡および数発の攻撃シナリオを対象とした,堅牢で強化されたネットワーク侵入検知システム(NIDS)を提案する。 本モデルでは,効率的な表表特徴表現のためのタブトランスフォーマをPPO(Proximal Policy Optimization)と統合し,ポリシー学習による分類決定を最適化する。 TON\textunderscore IoTベンチマークで評価したところ、マクロF1スコアは97.73\%、精度は98.85\%である。 注目すべきは、man-in-the-middle (MITM)のような極めて稀なクラスであっても、我々のモデルは88.79\%のF1スコアを達成し、強い堅牢性と少ないショット検出能力を示していることである。 大規模なアブレーション実験により,TabTransformer と PPO がクラス不均衡を緩和し,一般化を改善する上での相補的役割が確認された。 これらの結果は,トランスフォーマーに基づく表型学習と実世界のNIDSアプリケーションのための強化学習を組み合わせる可能性を強調している。

関連論文リスト

• Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data [0.0]
  本研究では、ハイブリッドサンプリング技術を用いて、IoT領域のデータ不均衡検出精度を向上させる。 サイバー攻撃の分類に関して,複数の機械学習モデルの性能を評価する。 全体として、この研究は、ハイブリッドサンプリングの価値と堅牢なモデルと機能選択を組み合わせることで、IoTセキュリティを著しく改善することを示している。
  論文  参考訳（メタデータ） (2025-05-15T14:02:48Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks [0.0]
  IoT(Internet of Things)が成長する中で、ネットワークはさまざまなサイバー脅威から保護されることが不可欠である。 本研究は、IoTデバイスのマルチクラス攻撃検出を改善するための、新しい軽量アンサンブルアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:17:03Z)
• iFuzzyTL: Interpretable Fuzzy Transfer Learning for SSVEP BCI System [24.898026682692688]
  本研究では,解釈可能なファジィ変換学習(iFuzzyTL)を利用した高度な分類手法について検討する。 iFuzzyTLは、ファジィ推論システムとアテンション機構を統合することで、人間の解釈可能な形式で入力信号処理と分類を洗練する。 モデルの有効性は3つのデータセットで示される。
  論文  参考訳（メタデータ） (2024-10-16T06:07:23Z)
• A Mixture of Exemplars Approach for Efficient Out-of-Distribution Detection with Foundation Models [0.0]
  本稿では, 高品質で凍結, 事前訓練された基礎モデルを用いて, トレーニングの利点を最大化するためのOOD検出への効率的なアプローチを提案する。 MoLARは、OODの例と例の類似性だけを比較すると、強力なOODパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-11-28T06:12:28Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。