論文の概要: Adaptive and Explainable AI Agents for Anomaly Detection in Critical IoT Infrastructure using LLM-Enhanced Contextual Reasoning

• arxiv url: http://arxiv.org/abs/2510.03859v1
• Date: Sat, 04 Oct 2025 16:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.302986
• Title: Adaptive and Explainable AI Agents for Anomaly Detection in Critical IoT Infrastructure using LLM-Enhanced Contextual Reasoning
• Title（参考訳）: LLM強化コンテキスト推論を用いた臨界IoTインフラストラクチャにおける異常検出のための適応的・説明可能なAIエージェント
• Authors: Raghav Sharma, Manan Mehta,
• Abstract要約: この提案では,LLMをサポートするコンテキスト推論手法とXAIエージェントを使用して,IoT環境における異常の発見方法を改善することを提案する。 コードAIが透明性と解釈可能性を強調することはないため、人々はAIの決定を確認し、受け入れることができる。 この研究から、新しいアプローチは、精度と解釈の両方において、既存のほとんどのモデルよりもはるかに優れていることが判明した。
• 参考スコア（独自算出の注目度）: 0.10742675209112619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring that critical IoT systems function safely and smoothly depends a lot on finding anomalies quickly. As more complex systems, like smart healthcare, energy grids and industrial automation, appear, it is easier to see the shortcomings of older methods of detection. Monitoring failures usually happen in dynamic, high dimensional situations, especially when data is incomplete, messy or always evolving. Such limits point out the requirement for adaptive, intelligent systems that always improve and think. LLMs are now capable of significantly changing how context is understood and semantic inference is done across all types of data. This proposal suggests using an LLM supported contextual reasoning method along with XAI agents to improve how anomalies are found in significant IoT environments. To discover hidden patterns and notice inconsistencies in data streams, it uses attention methods, avoids dealing with details from every time step and uses memory buffers with meaning. Because no code AI stresses transparency and interpretability, people can check and accept the AI's decisions, helping ensure AI follows company policies. The two architectures are put together in a test that compares the results of the traditional model with those of the suggested LLM enhanced model. Important measures to check are the accuracy of detection, how much inaccurate information is included in the results, how clearly the findings can be read and how fast the system responds under different test situations. The metaheuristic is tested in simulations of real world smart grid and healthcare contexts to check its adaptability and reliability. From the study, we see that the new approach performs much better than most existing models in both accuracy and interpretation, so it could be a good fit for future anomaly detection tasks in IoT
• Abstract（参考訳）: クリティカルなIoTシステムが安全かつスムーズに機能することを保証するには、異常の早期発見に大きく依存する。 スマートヘルスケアやエネルギーグリッド、産業自動化といった複雑なシステムが出現するにつれて、従来の検出方法の欠点を見いだすのは容易である。 障害の監視は通常、動的で高次元の状況、特にデータが不完全、混乱、あるいは常に進化している場合に行われる。 このような制限は、常に改善と思考を行う適応的でインテリジェントなシステムの要件を指摘する。 LLMは、コンテキストがどのように理解され、セマンティック推論があらゆる種類のデータにわたって実行されるかを大きく変えることができる。 この提案では,LLMをサポートするコンテキスト推論手法とXAIエージェントを使用して,IoT環境における異常の発見方法を改善することを提案する。 隠れたパターンを発見し、データストリームの不整合を認識するために、アテンションメソッドを使用し、ステップ毎に詳細を扱うことを避け、意味のあるメモリバッファを使用する。 コードAIが透明性と解釈可能性を強調することはないため、AIの決定を確認して受け入れ、AIが企業の方針に従うことを支援することができる。 2つのアーキテクチャは、従来のモデルの結果とLLM拡張モデルの結果を比較するテストにまとめられる。 チェックすべき重要な指標は、検出の正確さ、結果にどの程度不正確な情報が含まれているか、結果がどれだけはっきりと読み取れるか、システムが異なるテスト状況下でどれだけの速さで反応するかである。 メタヒューリスティックは、現実のスマートグリッドと医療コンテキストのシミュレーションでテストされ、適応性と信頼性をチェックする。 研究によると、この新しいアプローチは精度と解釈の両方において、既存のモデルよりもはるかに優れた性能を発揮するため、IoTの将来の異常検出タスクに適している可能性がある。

関連論文リスト

• SciML Agents: Write the Solver, Not the Solution [69.5021018644143]
  敵の"ミスリーディング"問題の診断データセットと,1,000種類のODEタスクの大規模ベンチマークという,2つの新しいデータセットを紹介した。 オープンおよびクローズドソース LLM モデルについて, (i) 誘導型とガイド型, (ii) オフ・ザ・シェルフ対微調整型という2つの軸に沿って評価した。 予備的な結果は、慎重なプロンプトと微調整により、単純なODE問題を確実に解決できる特殊なLLMエージェントが得られることを示唆している。
  論文  参考訳（メタデータ） (2025-09-12T02:53:57Z)
• SAEL: Leveraging Large Language Models with Adaptive Mixture-of-Experts for Smart Contract Vulnerability Detection [14.581402965011117]
  スマートコントラクト脆弱性検出のためのLLMベースのフレームワークであるSAELを提案する。 まず、脆弱性を特定し、説明を生成するためにLSMを誘導するプロンプトを設計する。 次に、CodeT5とT5のプロンプトチューニングをコントラクトコードと説明処理に適用し、タスク固有のパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-07-30T04:28:00Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• LEMDA: A Novel Feature Engineering Method for Intrusion Detection in IoT Systems [3.5323691899538137]
  モノのインターネット(IoT)システム用の侵入検知システム(IDS)は、AIベースのモデルを使用してセキュアな通信を保証できる。 複雑なモデルには、オーバーフィット、低い解釈可能性、高い計算複雑性といった悪名高い問題がある。 LEMDA (Mean Decrease in Accuracyに基づく光機能工学) と呼ばれる新しい特徴工学手法を提案する。
  論文  参考訳（メタデータ） (2024-04-20T11:11:47Z)
• Big data analysis and distributed deep learning for next-generation intrusion detection system optimization [0.0]
  本稿では,IDSよりも検出率が高く,偽陽性が低い新たな脅威を検出する方法を提案する。 我々は、Apache Spark Framework上でのLong Short Term Memory(LSTM)というディープリカレントニューラルネットワークであるNetworkingを使用して、これらの結果を達成する。 そこで本稿では,ネットワークがコンテキスト内の数百万のパケット列から通常動作を抽象的に記述し,ほぼリアルタイムで解析し,ポイント,集合,コンテキストの異常を検出するモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-28T09:46:16Z)
• AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
  スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。 のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。 高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:49:38Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。