論文の概要: MambaITD: An Efficient Cross-Modal Mamba Network for Insider Threat Detection

• arxiv url: http://arxiv.org/abs/2508.05695v1
• Date: Wed, 06 Aug 2025 18:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.93849
• Title: MambaITD: An Efficient Cross-Modal Mamba Network for Insider Threat Detection
• Title（参考訳）: MambaITD:内部脅威検出のための効率的なクロスモーダルマンバネットワーク
• Authors: Kaichuan Kong, Dongjie Liu, Xiaobo Jin, Zhiying Li, Guanggang Geng, Jian Weng,
• Abstract要約: 本稿では,Mamba状態空間モデルとクロスモーダル適応融合に基づく新たなインサイダー脅威検出フレームワークMambaITDを提案する。 従来の手法と比較して、MambaITDはモデリング効率と機能融合能力において大きな利点を示している。
• 参考スコア（独自算出の注目度）: 9.049925971684837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprises are facing increasing risks of insider threats, while existing detection methods are unable to effectively address these challenges due to reasons such as insufficient temporal dynamic feature modeling, computational efficiency and real-time bottlenecks and cross-modal information island problem. This paper proposes a new insider threat detection framework MambaITD based on the Mamba state space model and cross-modal adaptive fusion. First, the multi-source log preprocessing module aligns heterogeneous data through behavioral sequence encoding, interval smoothing, and statistical feature extraction. Second, the Mamba encoder models long-range dependencies in behavioral and interval sequences, and combines the sequence and statistical information dynamically in combination with the gated feature fusion mechanism. Finally, we propose an adaptive threshold optimization method based on maximizing inter-class variance, which dynamically adjusts the decision threshold by analyzing the probability distribution, effectively identifies anomalies, and alleviates class imbalance and concept drift. Compared with traditional methods, MambaITD shows significant advantages in modeling efficiency and feature fusion capabilities, outperforming Transformer-based methods, and provides a more effective solution for insider threat detection.
• Abstract（参考訳）: 企業は、インサイダー脅威のリスクが増大している一方で、時間的動的特徴モデリングの不足、計算効率の低下、リアルタイムボトルネック、モーダル情報島問題などの理由から、既存の検出手法ではこれらの課題に効果的に対応できない。 本稿では,Mamba状態空間モデルとクロスモーダル適応融合に基づく新たなインサイダー脅威検出フレームワークMambaITDを提案する。 まず、マルチソースログ前処理モジュールは、動作シーケンスエンコーディング、間隔平滑化、統計的特徴抽出を通じて異種データを整列する。 第2に、Mambaエンコーダは、動作シーケンスと間隔シーケンスの長距離依存性をモデル化し、ゲートされた特徴融合機構と組み合わせて、シーケンスと統計情報を動的に結合する。 最後に、クラス間分散の最大化に基づく適応しきい値最適化手法を提案し、確率分布を分析して決定しきい値を動的に調整し、異常を効果的に識別し、クラス不均衡と概念ドリフトを軽減する。 従来の手法と比較して、MambaITDはモデリング効率と機能融合能力において大きな利点を示し、Transformerベースの手法よりも優れており、インサイダー脅威検出のためのより効果的なソリューションを提供する。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Matrix Factorization for Inferring Associations and Missing Links [5.700773330654261]
  リンク予測の欠如は、ネットワーク内の見えないが潜在的に存在するコネクションを特定する。 増殖検出においては、国家および非国家アクターによる核兵器獲得の試みを特定し、特徴付ける努力を支援する。 本稿では,新しい重み付き (WNMFk), Boolean (BNMFk), およびRecommender (RNMFk) 行列因数分解法と,ロジスティック因数分解を組み込んだアンサンブル変種をリンク予測のために導入する。
  論文  参考訳（メタデータ） (2025-03-06T18:22:46Z)
• Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
  ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。 現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。 本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:17:24Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Enhancing Cross-Dataset Performance of Distracted Driving Detection With Score Softmax Classifier And Dynamic Gaussian Smoothing Supervision [6.891556476231427]
  ディープニューラルネットワークは、車内ドライバのリアルタイム監視を可能にし、邪魔や疲労、潜在的な危険のタイムリーな予測を容易にする。 最近の研究では、限られたデータサンプルとバックグラウンドノイズにより、信頼性の低いクロスデータセットドライバの動作認識が明らかにされている。 Score-Softmax分類器を提案し、カテゴリ独立性を高めてモデル過信を低減する。
  論文  参考訳（メタデータ） (2023-10-08T15:28:01Z)
• Scaling Bayesian inference of mixed multinomial logit models to very large datasets [9.442139459221785]
  本稿では,バックプロパゲーション,自動微分,GPU加速計算を活用するアモルティファイド変分推論手法を提案する。 本研究では, 後部近似の柔軟性を高めるために, フローの正規化がいかに有効かを示す。
  論文  参考訳（メタデータ） (2020-04-11T15:30:47Z)

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。