論文の概要: Federated Isolation Forest for Efficient Anomaly Detection on Edge IoT Systems

• arxiv url: http://arxiv.org/abs/2506.05138v1
• Date: Thu, 05 Jun 2025 15:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.783313
• Title: Federated Isolation Forest for Efficient Anomaly Detection on Edge IoT Systems
• Title（参考訳）: エッジIoTシステムにおける効率的な異常検出のためのフェデレーション森林
• Authors: Pavle Vasiljevic, Milica Matic, Miroslav Popovic,
• Abstract要約: 本稿では,前述のフェデレート学習フレームワークを用いて,孤立林を用いた温度異常検出手法を提案する。 このシステムは実験的に評価され、正常な読解と異常な読解を区別する精度を96%以上達成している。 結果は、データプライバシと協調学習の連合学習原則を支持しながら、リソース制約のある環境とエッジシステムに対する適合性を強調している。
• 参考スコア（独自算出の注目度）: 0.196629787330046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, federated learning frameworks such as Python TestBed for Federated Learning Algorithms and MicroPython TestBed for Federated Learning Algorithms have emerged to tackle user privacy concerns and efficiency in embedded systems. Even more recently, an efficient federated anomaly detection algorithm, FLiForest, based on Isolation Forests has been developed, offering a low-resource, unsupervised method well-suited for edge deployment and continuous learning. In this paper, we present an application of Isolation Forest-based temperature anomaly detection, developed using the previously mentioned federated learning frameworks, aimed at small edge devices and IoT systems running MicroPython. The system has been experimentally evaluated, achieving over 96% accuracy in distinguishing normal from abnormal readings and above 78% precision in detecting anomalies across all tested configurations, while maintaining a memory usage below 160 KB during model training. These results highlight its suitability for resource-constrained environments and edge systems, while upholding federated learning principles of data privacy and collaborative learning.
• Abstract（参考訳）: 近年,Python TestBed for Federated Learning AlgorithmsやMicroPython TestBed for Federated Learning Algorithmsといったフェデレート学習フレームワークが登場し,ユーザのプライバシ問題や組み込みシステムの効率性に対処している。 さらに最近では、アイソレーションフォレストに基づく効率的なフェデレーション異常検出アルゴリズムであるFLiForestが開発され、エッジデプロイメントと継続的学習に適した、低リソースで教師なしの方法が提供されている。 本稿では,マイクロPythonで動作する小型デバイスやIoTシステムを対象とした,前述のフェデレーション学習フレームワークを用いて,分離森林を用いた温度異常検出の応用について述べる。 このシステムは実験によって評価され、正常な読み出しと異常な読み出しを区別する精度が96%以上、テストされた全ての構成の異常を検出する精度が78%以上、モデルトレーニング中に160KB未満のメモリ使用率を維持している。 これらの結果は、データプライバシと協調学習のフェデレーション学習原則を支持しながら、リソース制約のある環境とエッジシステムに対する適合性を浮き彫りにしている。

関連論文リスト

• Benchmarking Federated Machine Unlearning methods for Tabular Data [9.30408906787193]
  マシンアンラーニングにより、モデルは要求時に特定のデータを忘れることができる。 本稿では,フェデレートされた環境での機械学習手法のベンチマークに関する先駆的な研究について述べる。 機械学習、ランダムフォレスト、ロジスティック回帰モデルの両方を用いて、この機能とインスタンスレベルでのアンラーニングについて検討する。
  論文  参考訳（メタデータ） (2025-04-01T15:53:36Z)
• Unsupervised End-to-End Training with a Self-Defined Target [2.6563873893593826]
  本稿では,エンドツーエンドの教師あり学習用に設計されたネットワークやハードウェアが,高性能な教師なし学習を実現する方法を提案する。 我々はこの手法を半教師付き学習に拡張し、データ型に基づいて目標を調整し、600のラベル付きMNISTサンプルを多層パーセプトロンで96.6%の精度で検出する。
  論文  参考訳（メタデータ） (2024-03-18T16:14:28Z)
• Enhancing Out-of-Distribution Detection with Multitesting-based Layer-wise Feature Fusion [11.689517005768046]
  アウト・オブ・ディストリビューション(Out-of-distriion)サンプルは、トレーニング分布と比較して、局所的またはグローバルな特徴の変化を示す可能性がある。 本稿では,新しいフレームワーク,Multitesting-based Layer-wise Out-of-Distribution (OOD) を提案する。 本手法は, ベースライン法と比較して, 分布外検出の性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-03-16T04:35:04Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。