論文の概要: Digital Twin-Driven Communication-Efficient Federated Anomaly Detection for Industrial IoT

• arxiv url: http://arxiv.org/abs/2601.01701v1
• Date: Mon, 05 Jan 2026 00:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.656852
• Title: Digital Twin-Driven Communication-Efficient Federated Anomaly Detection for Industrial IoT
• Title（参考訳）: 産業用IoTのためのディジタルツイン駆動通信効率の良いフェデレーション異常検出
• Authors: Mohammed Ayalew Belay, Adil Rasheed, Pierluigi Salvo Rossi,
• Abstract要約: 本稿では,グローバルモデルの性能を高めるために,デジタルツイン統合フェデレーション学習(DTFL)法を提案する。 我々は,デジタルツインベースメタラーニング(IoTL),フェデレートDTM交換(LPE),サイクルウェイト適応(CWA),デジタルツイン知識蒸留(DTKD)の5つの新しいアプローチを提案する。 目標精度が80%の場合、CWAは33ラウンド、FPFは41ラウンド、LPEは48ラウンド、DTMLは87ラウンドで目標に達するが、標準のFedAvgベースラインとDTKDは100ラウンド以内に目標に到達しない。
• 参考スコア（独自算出の注目度）: 8.891125615058144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is increasingly becoming crucial for maintaining the safety, reliability, and efficiency of industrial systems. Recently, with the advent of digital twins and data-driven decision-making, several statistical and machine-learning methods have been proposed. However, these methods face several challenges, such as dependence on only real sensor datasets, limited labeled data, high false alarm rates, and privacy concerns. To address these problems, we propose a suite of digital twin-integrated federated learning (DTFL) methods that enhance global model performance while preserving data privacy and communication efficiency. Specifically, we present five novel approaches: Digital Twin-Based Meta-Learning (DTML), Federated Parameter Fusion (FPF), Layer-wise Parameter Exchange (LPE), Cyclic Weight Adaptation (CWA), and Digital Twin Knowledge Distillation (DTKD). Each method introduces a unique mechanism to combine synthetic and real-world knowledge, balancing generalization with communication overhead. We conduct an extensive experiment using a publicly available cyber-physical anomaly detection dataset. For a target accuracy of 80%, CWA reaches the target in 33 rounds, FPF in 41 rounds, LPE in 48 rounds, and DTML in 87 rounds, whereas the standard FedAvg baseline and DTKD do not reach the target within 100 rounds. These results highlight substantial communication-efficiency gains (up to 62% fewer rounds than DTML and 31% fewer than LPE) and demonstrate that integrating DT knowledge into FL accelerates convergence to operationally meaningful accuracy thresholds for IIoT anomaly detection.
• Abstract（参考訳）: 産業システムの安全性、信頼性、効率を維持するために、異常検出がますます重要になっている。 近年,デジタル双生児の出現とデータ駆動型意思決定により,統計的・機械学習手法がいくつか提案されている。 しかし、これらの手法は、実際のセンサデータセットのみに依存すること、ラベル付きデータに制限があること、偽アラーム率が高いこと、プライバシー上の懸念など、いくつかの課題に直面している。 これらの問題に対処するために,データプライバシと通信効率を保ちながら,グローバルモデルの性能を向上させるデジタルツイン統合フェデレーション学習(DTFL)手法を提案する。 具体的には、デジタルツインベースメタラーニング(DTML)、フェデレーションパラメータフュージョン(FPF)、レイヤーワイドパラメータ交換(LPE)、サイクルウェイト適応(CWA)、デジタルツイン知識蒸留(DTKD)の5つの新しいアプローチを提案する。 それぞれの手法は、合成知識と実世界の知識を組み合わせたユニークなメカニズムを導入し、一般化と通信オーバーヘッドのバランスをとる。 我々は、公開のサイバー物理異常検出データセットを用いて広範な実験を行う。 目標精度が80%の場合、CWAは33ラウンド、FPFは41ラウンド、LPEは48ラウンド、DTMLは87ラウンドで目標に達するが、標準のFedAvgベースラインとDTKDは100ラウンド以内に目標に到達しない。 これらの結果から,DTMLより最大62%,LPEより31%少ないラウンドでの通信効率の向上が明らかとなり,DT知識をFLに統合することにより,IIoT異常検出のための操作上有意な精度閾値への収束が促進されることが示された。

関連論文リスト

• TRIDENT: Tri-modal Real-time Intrusion Detection Engine for New Targets [0.3277163122167434]
  TRIDENTは、同期オーディオ、視覚、およびデータを統合した、トリモーダルなドローン検出フレームワークである。 リアルタイムに動作し、わずか6.09msでドローンを検知し、1回の検知で75.27mJしか消費しない。
  論文  参考訳（メタデータ） (2025-04-08T20:33:43Z)
• INTACT: Inducing Noise Tolerance through Adversarial Curriculum Training for LiDAR-based Safety-Critical Perception and Autonomy [0.4124847249415279]
  本稿では、雑音の多いLiDARデータに対するディープニューラルネットワーク(DNN)の堅牢性を高めるために設計された新しいフレームワークを提案する。 IntACTは、メタラーニングと、敵対的なカリキュラムトレーニング(ACT)を組み合わせることで、3Dポイントクラウドにおけるデータの破損とスパーシリティによる課題に対処する。 IntACTの有効性は、オブジェクトの検出、追跡、分類ベンチマークに関する包括的な評価を通じて実証される。
  論文  参考訳（メタデータ） (2025-02-04T00:02:16Z)
• Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models [40.69348434971122]
  本稿では,パラメータ効率の高い言語モデルの微調整のための新しい適応ランクアロケーションフレームワークであるFedARAを提案する。 FedARAは、ヘテロジニアスなデータの下で、さまざまなデータセットやモデルに対して平均6.95%から8.49%のベースラインを一貫して上回っている。 各種エッジデバイスの実験では、それぞれ48.90%、46.95%のトレーニング時間とエネルギー消費が大幅に減少している。
  論文  参考訳（メタデータ） (2025-01-24T11:19:07Z)
• Ferret: Federated Full-Parameter Tuning at Scale for Large Language Models [54.02863371927658]
  大規模言語モデル(LLM)は多くの現実世界のアプリケーションで必須となっている。 Ferretは、LLMのスケーラブルなフルパラメータチューニングを実現するために、ランダム性を共有する最初の一階法である。 フェレットは高い計算効率、通信オーバーヘッドの低減、高速収束を実現する。
  論文  参考訳（メタデータ） (2024-09-10T07:28:13Z)
• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)

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。