論文の概要: Split Learning-Enabled Framework for Secure and Light-weight Internet of Medical Things Systems

• arxiv url: http://arxiv.org/abs/2511.00336v1
• Date: Sat, 01 Nov 2025 00:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.722773
• Title: Split Learning-Enabled Framework for Secure and Light-weight Internet of Medical Things Systems
• Title（参考訳）: 医療機器のセキュアで軽量なインターネットのためのスプリットラーニング対応フレームワーク
• Authors: Siva Sai, Manish Prasad, Animesh Bhargava, Vinay Chamola, Rajkumar Buyya,
• Abstract要約: 本稿では,イメージベース分類によるIoTマルウェア検出のためのスプリットラーニング(SL)に基づくフレームワークを提案する。 このフレームワークは、クライアントとエッジサーバ間のニューラルネットワークトレーニングを分割することにより、リソース制約のあるクライアントの計算負担を軽減する。 実験により,提案手法の精度 (+6.35%), F1スコア (+5.03%), 高収束速度 (+14.96%), 資源消費量 (33.83%) において, FL法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 19.2207350991622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of Internet of Medical Things (IoMT) devices has resulted in significant security risks, particularly the risk of malware attacks on resource-constrained devices. Conventional deep learning methods are impractical due to resource limitations, while Federated Learning (FL) suffers from high communication overhead and vulnerability to non-IID (heterogeneous) data. In this paper, we propose a split learning (SL) based framework for IoT malware detection through image-based classification. By dividing the neural network training between the clients and an edge server, the framework reduces computational burden on resource-constrained clients while ensuring data privacy. We formulate a joint optimization problem that balances computation cost and communication efficiency by using a game-theoretic approach for attaining better training performance. Experimental evaluations show that the proposed framework outperforms popular FL methods in terms of accuracy (+6.35%), F1-score (+5.03%), high convergence speed (+14.96%), and less resource consumption (33.83%). These results establish the potential of SL as a scalable and secure paradigm for next-generation IoT security.
• Abstract（参考訳）: インターネット・オブ・メディカル・モノ(IoMT)機器の急速な成長は、特にリソース制限されたデバイスに対するマルウェア攻撃のリスクなど、重大なセキュリティリスクをもたらしている。 従来の深層学習手法は資源の制限により非現実的であり、フェデレートラーニング(FL)は非IID(異種)データに対する高い通信オーバーヘッドと脆弱性に悩まされている。 本稿では,イメージベース分類によるIoTマルウェア検出のためのスプリットラーニング(SL)に基づくフレームワークを提案する。 このフレームワークは、クライアントとエッジサーバ間のニューラルネットワークトレーニングを分割することにより、データプライバシを確保しながら、リソース制約のあるクライアントの計算負担を軽減する。 我々は,より優れたトレーニング性能を実現するためのゲーム理論アプローチを用いて,計算コストと通信効率のバランスをとる共同最適化問題を定式化する。 実験により、提案手法は、精度(+6.35%)、F1スコア(+5.03%)、高収束速度(+14.96%)、資源消費量(33.83%)において、一般的なFL法よりも優れていることが示された。 これらの結果は、次世代IoTセキュリティのためのスケーラブルでセキュアなパラダイムとしてのSLの可能性を確立します。

関連論文リスト

• CLIP: Client-Side Invariant Pruning for Mitigating Stragglers in Secure Federated Learning [2.7018389296091505]
  本稿では、ディープニューラルネットワークを用いた安全なアグリゲーションのための、最初のストラグラー緩和手法を提案する。 ネットワーク認識型プルーニングと組み合わせたクライアント側の不変ニューロンプルーニング手法であるCLIPを提案する。
  論文  参考訳（メタデータ） (2025-10-19T03:29:37Z)
• Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification [0.0]
  本稿では,認知症分類のための量子インスピレーション暗号技術とフェデレーション学習を統合した新しいフレームワークを提案する。 このフレームワークは、低所得国と中所得国でAI駆動型認知症診断へのアクセスを民主化する上で重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-03-05T08:49:31Z)
• Fine-Tuning Federated Learning-Based Intrusion Detection Systems for Transportation IoT [0.3333209898517398]
  フェデレートラーニング(FL)は、分散エッジデバイス上でIDSモデルの分散トレーニングを可能にするための有望な方法として登場した。 本稿では,エッジデバイス上での軽量な微調整を実現しつつ,事前学習を中央サーバにオフロードするハイブリッドサーバエッジFLフレームワークを提案する。 このアプローチはメモリ使用量を最大42%削減し、トレーニング時間を最大75%削減し、競合IDSの精度を最大99.2%向上させる。
  論文  参考訳（メタデータ） (2025-02-10T02:12:05Z)
• CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication [5.636155173401658]
  分散学習(SL)とフェデレート学習(FL)は、分散機械学習(ML)モデルをトレーニングするための有望な技術として登場した。 我々はこれらの技術を組み合わせて、ユーザのプライバシーを保護しながら、継続的な認証課題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2024-05-12T06:08:21Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング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） (2023-03-26T16:09:48Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。