論文の概要: Neurosymbolic AI Transfer Learning Improves Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2509.10850v1
• Date: Sat, 13 Sep 2025 15:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.815675
• Title: Neurosymbolic AI Transfer Learning Improves Network Intrusion Detection
• Title（参考訳）: ニューロシンボリックAIトランスファー学習はネットワーク侵入検出を改善した
• Authors: Huynh T. T. Tran, Jacob Sander, Achraf Cohen, Brian Jalaian, Nathaniel D. Bastian,
• Abstract要約: 転送学習はコンピュータビジョン、自然言語処理、医用画像などの様々な分野で一般的に利用されている。 本稿では,サイバーセキュリティにおける悪意ある活動と戦う上で重要な役割を担うネットワーク侵入検知システムのために設計された,革新的なニューロシンボリックAIフレームワークを提案する。 この結果は、大規模で構造化されたデータセットに基づいてトレーニングされたトランスファー学習モデルが、より小さなデータセットに依存するニューラルネットワークモデルを上回ることを示唆している。
• 参考スコア（独自算出の注目度）: 5.967112925028355
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transfer learning is commonly utilized in various fields such as computer vision, natural language processing, and medical imaging due to its impressive capability to address subtasks and work with different datasets. However, its application in cybersecurity has not been thoroughly explored. In this paper, we present an innovative neurosymbolic AI framework designed for network intrusion detection systems, which play a crucial role in combating malicious activities in cybersecurity. Our framework leverages transfer learning and uncertainty quantification. The findings indicate that transfer learning models, trained on large and well-structured datasets, outperform neural-based models that rely on smaller datasets, paving the way for a new era in cybersecurity solutions.
• Abstract（参考訳）: トランスファーラーニングは、コンピュータビジョン、自然言語処理、医療画像などの様々な分野でよく使われており、サブタスクに対処し、異なるデータセットを扱うという印象的な能力がある。 しかし、サイバーセキュリティへのその応用は、まだ徹底的に調査されていない。 本稿では,サイバーセキュリティにおける悪意ある活動と戦う上で重要な役割を担うネットワーク侵入検知システムを対象とした,革新的なニューロシンボリックAIフレームワークを提案する。 我々のフレームワークは転送学習と不確実性定量化を活用している。 この結果は、大規模で構造化されたデータセットに基づいてトレーニングされたトランスファー学習モデルが、より小さなデータセットに依存するニューラルネットワークモデルよりも優れており、サイバーセキュリティソリューションの新たな時代への道を歩むことを示唆している。

関連論文リスト

• Intrusion Detection in Heterogeneous Networks with Domain-Adaptive Multi-Modal Learning [1.03590082373586]
  我々は,マルチモーダル学習とドメイン適応手法を統合したディープニューラルネットワークを開発した。 我々のモデルは、様々なソースから連続的にデータを処理し、複数のデータセットから学習し、様々な特徴空間に適応できるようにします。 実験により,提案モデルがネットワーク侵入の分類において,ベースラインニューラルモデルよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-05T14:46:03Z)
• Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects [0.33554367023486936]
  本稿では,機械学習を用いたネットワーク侵入検知システム(NIDS)の総合的なレビューを行う。 NIDSにおける既存の研究を批判的に検討し、重要なトレンド、強み、限界を強調した。 我々は、この分野における新たな課題について議論し、より堅牢でレジリエントなNIDSの開発に向けた洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-27T13:27:29Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning to Detect: A Data-driven Approach for Network Intrusion Detection [17.288512506016612]
  ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。 侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。 バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
  論文  参考訳（メタデータ） (2021-08-18T21:19:26Z)
• Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks [0.0]
  IVNデバイスのリスクは、複雑なデータ集約アーキテクチャのため、依然として安全で脆弱である。 従来の機械学習ベースのIDSは、現在の環境のセキュリティ要件に対処するためにアップデートする必要がある。 本論文では,IVN の深層移動学習に基づく IDS モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-12T03:06:49Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Delta Schema Network in Model-based Reinforcement Learning [125.99533416395765]
  この研究は、伝達学習の非効率性である人工知能の未解決問題に焦点が当てられている。 環境データからオブジェクトとアクション間の論理的関係を抽出できるスキーマネットワーク手法を拡張している。 本稿では,デルタネットワーク(DSN)をトレーニングし,環境の将来状態を予測し,前向きな報酬をもたらす計画行動を示すアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-17T15:58:25Z)

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。