論文の概要: An Optimized Decision Tree-Based Framework for Explainable IoT Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.14305v1
• Date: Sun, 18 Jan 2026 08:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.088796
• Title: An Optimized Decision Tree-Based Framework for Explainable IoT Anomaly Detection
• Title（参考訳）: 説明可能なIoT異常検出のための最適化決定木ベースフレームワーク
• Authors: Ashikuzzaman, Md. Shawkat Hossain, Jubayer Abdullah Joy, Md Zahid Akon, Md Manjur Ahmed, Md. Naimul Islam,
• Abstract要約: モノのインターネット(IoT)デバイスの増加は、サイバー脅威の攻撃面を著しく増加させています。 本稿では、最適化された決定木分類器に基づく説明可能なAI(XAI)フレームワークを提案する。 提案システムは,99.91%の精度,99.51%のF1スコア,0.9960のコーエンカッパ,98.93%のクロスバリデーション平均精度で高い安定性が確認された。
• 参考スコア（独自算出の注目度）: 1.2520011735093362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increase in the number of Internet of Things (IoT) devices has tremendously increased the attack surface of cyber threats thus making a strong intrusion detection system (IDS) with a clear explanation of the process essential towards resource-constrained environments. Nevertheless, current IoT IDS systems are usually traded off with detection quality, model elucidability, and computational effectiveness, thus the deployment on IoT devices. The present paper counteracts these difficulties by suggesting an explainable AI (XAI) framework based on an optimized Decision Tree classifier with both local and global importance methods: SHAP values that estimate feature attribution using local explanations, and Morris sensitivity analysis that identifies the feature importance in a global view. The proposed system attains the state of art on the test performance with 99.91% accuracy, F1-score of 99.51% and Cohen Kappa of 0.9960 and high stability is confirmed by a cross validation mean accuracy of 98.93%. Efficiency is also enhanced in terms of computations to provide faster inferences compared to those that are generalized in ensemble models. SrcMac has shown as the most significant predictor in feature analyses according to SHAP and Morris methods. Compared to the previous work, our solution eliminates its major drawback lack because it allows us to apply it to edge devices and, therefore, achieve real-time processing, adhere to the new regulation of transparency in AI, and achieve high detection rates on attacks of dissimilar classes. This combination performance of high accuracy, explainability, and low computation make the framework useful and reliable as a resource-constrained IoT security problem in real environments.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスの増加は、サイバー脅威の攻撃面を著しく増加させ、リソースに制約された環境に不可欠なプロセスを明確に説明し、強力な侵入検知システム(IDS)を実現する。 それにもかかわらず、現在のIoT IDSシステムは、通常、検出品質、モデル解明可能性、計算効率でトレードオフされるため、IoTデバイスへのデプロイが可能である。 本稿では、局所的およびグローバル的重要度の両方の手法を用いて最適化された決定木分類器に基づく説明可能なAI(XAI)フレームワークを提案することにより、これらの課題に対処する: 局所的説明を用いて特徴属性を推定するSHAP値と、グローバル的視点における特徴重要度を識別するモリス感度分析。 提案システムは,99.91%の精度,99.51%のF1スコア,0.9960のコーエンカッパ,98.93%のクロスバリデーション平均精度で高い安定性が確認された。 効率性も向上し、アンサンブルモデルで一般化されたものよりも高速な推論を提供する。 SrcMac は SHAP と Morris の手法による特徴解析において最も重要な予測因子である。 これまでの研究と比較すると、エッジデバイスに適用でき、したがってリアルタイム処理を実現し、AIにおける透明性の新たな規制を遵守し、異種クラスの攻撃に対する高い検出率を達成するため、その大きな欠点を排除しています。 この高い精度、説明可能性、低い計算能力の組み合わせは、実環境におけるリソース制約のIoTセキュリティ問題として、フレームワークを有用かつ信頼性の高いものにします。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• Unsupervised Anomaly Detection for Smart IoT Devices: Performance and Resource Comparison [0.0]
  本研究では, 隔離林 (IF) と一級支援ベクトルマシン (OC-SVM) の2つの教師なし異常検出手法の有効性について検討した。 IFはOC-SVMを一貫して上回り、高い検出精度、優れた精度、リコールを実現し、F1スコアも大幅に向上した。 これらの知見は、高次元および不均衡なIoT環境におけるアイソレーションフォレストのロバスト性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-26T19:17:29Z)
• Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method [0.0]
  モノのインターネットの急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで産業を変革させた。 IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、データ操作など、セキュリティ上の脅威に対して脆弱なままである。 本稿では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T22:42:05Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• LENS-XAI: Redefining Lightweight and Explainable Network Security through Knowledge Distillation and Variational Autoencoders for Scalable Intrusion Detection in Cybersecurity [0.0]
  本研究は軽量説明可能ネットワークセキュリティフレームワーク(LENS-XAI)を紹介する。 LENS-XAIは、堅牢な侵入検知と、拡張された解釈可能性とスケーラビリティを組み合わせる。 本研究は, 計算効率, 特徴解釈可能性, 実世界の応用性に対処することで, IDSの進歩に大きく貢献する。
  論文  参考訳（メタデータ） (2025-01-01T10:00:49Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks [3.1309870454820277]
  本稿では,KAN(Kolmogorov-Arnold Networks)とXGBoostアルゴリズムを組み合わせたハイブリッド侵入検知システムを提案する。 提案したIDSは,学習可能なアクティベーション関数を用いてデータ内の複雑な関係をモデル化し,XGBoostの強力なアンサンブル学習手法と併用する。 実験により,我々のハイブリッドIDSは,良性行動と悪意行動の区別において,99%以上の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T15:58:49Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。