Fugu-MT 論文翻訳(概要): Neuromorphic Cybersecurity with Semi-supervised Lifelong Learning

論文の概要: Neuromorphic Cybersecurity with Semi-supervised Lifelong Learning

arxiv url: http://arxiv.org/abs/2508.04610v1
Date: Wed, 06 Aug 2025 16:29:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.824302
Title: Neuromorphic Cybersecurity with Semi-supervised Lifelong Learning
Title（参考訳）: 半教師付き生涯学習によるニューロモルフィックサイバーセキュリティ
Authors: Md Zesun Ahmed Mia, Malyaban Bal, Sen Lu, George M. Nishibuchi, Suhas Chelian, Srini Vasan, Abhronil Sengupta,
Abstract要約: 本稿では,生涯ネットワーク侵入検知システム(NIDS)のためのスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。提案システムでは、まず効率的な静的SNNを用いて潜在的な侵入を識別し、次に特定の攻撃タイプを分類するアダプティブ動的SNNを起動する。 UNSW-NB15ベンチマークで連続的な学習環境でテストされ、アーキテクチャは堅牢な適応を示し、破滅的な忘れを減らし、全体的な精度は85.3ドル%に達する。
参考スコア（独自算出の注目度）: 2.3752592594044297
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inspired by the brain's hierarchical processing and energy efficiency, this paper presents a Spiking Neural Network (SNN) architecture for lifelong Network Intrusion Detection System (NIDS). The proposed system first employs an efficient static SNN to identify potential intrusions, which then activates an adaptive dynamic SNN responsible for classifying the specific attack type. Mimicking biological adaptation, the dynamic classifier utilizes Grow When Required (GWR)-inspired structural plasticity and a novel Adaptive Spike-Timing-Dependent Plasticity (Ad-STDP) learning rule. These bio-plausible mechanisms enable the network to learn new threats incrementally while preserving existing knowledge. Tested on the UNSW-NB15 benchmark in a continual learning setting, the architecture demonstrates robust adaptation, reduced catastrophic forgetting, and achieves $85.3$\% overall accuracy. Furthermore, simulations using the Intel Lava framework confirm high operational sparsity, highlighting the potential for low-power deployment on neuromorphic hardware.
Abstract（参考訳）: 本稿では,脳の階層的処理とエネルギー効率に着想を得て,生涯にわたるネットワーク侵入検知システム(NIDS)のためのスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。提案システムでは、まず効率的な静的SNNを用いて潜在的な侵入を識別し、次に特定の攻撃タイプを分類するアダプティブ動的SNNを起動する。生物学的適応を模倣し、動的分類器はGrow When Required(GWR)にインスパイアされた構造的可塑性と、Adaptive Spike-Timing-Dependent Plasticity(Ad-STDP)学習規則を利用する。これらの生物工学的なメカニズムにより、ネットワークは既存の知識を維持しながら、新たな脅威を漸進的に学習することができる。 UNSW-NB15ベンチマークで連続的な学習環境でテストされ、アーキテクチャは堅牢な適応を示し、破滅的な忘れを減らし、全体的な精度は85.3$\%に達する。さらに、Intel Lavaフレームワークを使用したシミュレーションでは、高い運用範囲が確認され、ニューロモルフィックハードウェアへの低電力展開の可能性を強調している。

関連論文リスト

Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
論文参考訳（メタデータ） (2025-06-20T17:54:24Z)
Intrusion Detection System Using Deep Learning for Network Security [0.6554326244334868]
本稿では,深層学習技術に基づくIDSモデルの実験的評価を提案する。ネットワークトラフィックを悪意のあるカテゴリと良心的なカテゴリに分類することに注力する。テストされたモデルのうち、最高は96%の精度を達成した。
論文参考訳（メタデータ） (2025-05-09T06:04:58Z)
EchoSpike Predictive Plasticity: An Online Local Learning Rule for Spiking Neural Networks [4.644628459389789]
スパイキングニューラルネットワーク(SNN)は、低電力とメモリを必要とするアプリケーションにおいて、その可能性のために魅力的である。 EchoSpike Predictive Plasticity(ESPP)学習ルールは,オンライン学習ルールのパイオニアである。 ESPPは、エッジでのニューロモルフィックコンピューティングのための生物学的に妥当な自己教師付き学習モデルの開発において、大きな進歩を示している。
論文参考訳（メタデータ） (2024-05-22T20:20:43Z)
Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
論文参考訳（メタデータ） (2024-02-26T20:57:35Z)
SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文参考訳（メタデータ） (2023-10-25T13:15:17Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
適応型ニューラルネットワークの動的対向攻撃問題について検討する。本稿では,LGM(Leaded Gradient Method)を提案する。我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
論文参考訳（メタデータ） (2022-10-15T01:32:08Z)
An Unsupervised STDP-based Spiking Neural Network Inspired By Biologically Plausible Learning Rules and Connections [10.188771327458651]
スパイク刺激依存性可塑性(STDP)は脳の一般的な学習規則であるが、STDPだけで訓練されたスパイクニューラルネットワーク(SNN)は非効率であり、性能が良くない。我々は適応的なシナプスフィルタを設計し、SNNの表現能力を高めるために適応的なスパイキングしきい値を導入する。我々のモデルは、MNISTおよびFashionMNISTデータセットにおける教師なしSTDPベースのSNNの最先端性能を実現する。
論文参考訳（メタデータ） (2022-07-06T14:53:32Z)
Ensemble plasticity and network adaptability in SNNs [0.726437825413781]
人工スパイキングニューラルネットワーク(ASNN)は、離散的なイベントベース(スパイク)計算のため、より優れた情報処理効率を約束する。本研究では,スパイク活動のみを用いたエントロピーとネットワークアクティベーションに基づく新しいアンサンブル学習手法を提案する。その結果, スパイクレートの低いニューロンクラスターを刈り取ると, 一般化や性能の低下が予想されることがわかった。
論文参考訳（メタデータ） (2022-03-11T01:14:51Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。