Fugu-MT 論文翻訳(概要): AutoML in Cybersecurity: An Empirical Study

論文の概要: AutoML in Cybersecurity: An Empirical Study

arxiv url: http://arxiv.org/abs/2509.23621v1
Date: Sun, 28 Sep 2025 03:52:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 14:33:50.656101
Title: AutoML in Cybersecurity: An Empirical Study
Title（参考訳）: サイバーセキュリティにおけるAutoML - 実証研究
Authors: Sherif Saad, Kevin Shi, Mohammed Mamun, Hythem Elmiligi,
Abstract要約: 本稿では,11の公開サイバーセキュリティデータセットを対象とした8つのオープンソースAutoMLフレームワークを体系的に評価する。結果は、ツールやデータセット間での大幅なパフォーマンスの変動を示しており、一貫して優れたソリューションは存在しない。主な課題は、敵の脆弱性、モデルドリフト、不適切な機能エンジニアリングである。
参考スコア（独自算出の注目度）: 0.8703011045028926
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated machine learning (AutoML) has emerged as a promising paradigm for automating machine learning (ML) pipeline design, broadening AI adoption. Yet its reliability in complex domains such as cybersecurity remains underexplored. This paper systematically evaluates eight open-source AutoML frameworks across 11 publicly available cybersecurity datasets, spanning intrusion detection, malware classification, phishing, fraud detection, and spam filtering. Results show substantial performance variability across tools and datasets, with no single solution consistently superior. A paradigm shift is observed: the challenge has moved from selecting individual ML models to identifying the most suitable AutoML framework, complicated by differences in runtime efficiency, automation capabilities, and supported features. AutoML tools frequently favor tree-based models, which perform well but risk overfitting and limit interpretability. Key challenges identified include adversarial vulnerability, model drift, and inadequate feature engineering. We conclude with best practices and research directions to strengthen robustness, interpretability, and trust in AutoML for high-stakes cybersecurity applications.
Abstract（参考訳）: 機械学習(AutoML)は、機械学習(ML)パイプライン設計を自動化するための有望なパラダイムとして登場し、AIの採用が拡大している。しかし、サイバーセキュリティのような複雑なドメインの信頼性は未調査のままである。本稿では,11の公開サイバーセキュリティデータセットに対して,侵入検出,マルウェア分類,フィッシング,不正検出,スパムフィルタリングの8つのオープンソースAutoMLフレームワークを体系的に評価する。結果は、ツールやデータセット間での大幅なパフォーマンスの変動を示しており、一貫して優れたソリューションは存在しない。課題は、個々のMLモデルの選択から、ランタイム効率、自動化機能、サポート対象機能の違いによって複雑になる、最も適切なAutoMLフレームワークの特定へと移行している。 AutoMLツールは、よくツリーベースのモデルを好むが、リスク過度に適合し、解釈可能性を制限する。主な課題は、敵の脆弱性、モデルドリフト、不適切な機能エンジニアリングである。我々は、高度なサイバーセキュリティアプリケーションのための堅牢性、解釈可能性、AutoMLへの信頼を強化するためのベストプラクティスと研究の方向性を結論付けます。

関連論文リスト

Interpretable by Design: MH-AutoML for Transparent and Efficient Android Malware Detection without Compromising Performance [0.0]
Androidシステムにおけるマルウェア検出には、サイバーセキュリティの専門知識と機械学習(ML)技術の両方が必要となる。 We present MH-AutoML, a domain-specific framework for Android malware detection。結果は、MH-AutoMLがより透明性とコントロールを提供しながら、より良いリコール率を達成することを示している。
論文参考訳（メタデータ） (2025-06-29T16:12:41Z)
SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文参考訳（メタデータ） (2025-02-28T21:53:47Z)
AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文参考訳（メタデータ） (2024-11-02T13:24:30Z)
Towards Autonomous Cybersecurity: An Intelligent AutoML Framework for Autonomous Intrusion Detection [21.003217781832923]
本稿では,次世代ネットワークにおける自律型サイバーセキュリティの実現に向けた,自動機械学習(AutoML)に基づく自律型IDSフレームワークを提案する。提案されたAutoMLベースのIDSは、CICIDS 2017と5G-NIDDという2つの公開ベンチマークネットワークセキュリティデータセットで評価された。この研究は、次世代ネットワークにおける完全自律型サイバーセキュリティへの重要な一歩であり、ネットワークセキュリティアプリケーションに革命をもたらす可能性がある。
論文参考訳（メタデータ） (2024-09-05T00:36:23Z)
Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
論文参考訳（メタデータ） (2024-06-05T15:05:24Z)
AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文参考訳（メタデータ） (2024-03-26T04:27:56Z)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
Towards Green Automated Machine Learning: Status Quo and Future Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文参考訳（メタデータ） (2021-11-10T18:57:27Z)
Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文参考訳（メタデータ） (2021-08-27T09:26:20Z)
Naive Automated Machine Learning -- A Late Baseline for AutoML [0.0]
AutoML(Automated Machine Learning)は、特定のデータセット上で最高の一般化パフォーマンスを持つパイプラインを自動的に見つける問題です。機械学習の問題に関する重要なメタ知識を利用するAutoMLの非常に単純なソリューションであるNaive AutoMLを紹介します。
論文参考訳（メタデータ） (2021-03-18T19:52:12Z)
Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
論文参考訳（メタデータ） (2021-01-15T03:12:29Z)

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。