論文の概要: IoT Device Identification with Machine Learning: Common Pitfalls and Best Practices

• arxiv url: http://arxiv.org/abs/2601.20548v1
• Date: Wed, 28 Jan 2026 12:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.928471
• Title: IoT Device Identification with Machine Learning: Common Pitfalls and Best Practices
• Title（参考訳）: マシンラーニングによるIoTデバイス識別 - 共通の落とし穴とベストプラクティス
• Authors: Kahraman Kostas, Rabia Yasa Kostas,
• Abstract要約: 本稿では,既存の文献に共通する落とし穴に対処するため,機械学習を用いたデバイス識別プロセスについて批判的に検討する。 不適切なデータ拡張や誤解を招くセッション識別子といった特定のエラーを強調することで、研究者がIoTセキュリティモデルの一般化性を高めるための堅牢なガイドラインを提供する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper critically examines the device identification process using machine learning, addressing common pitfalls in existing literature. We analyze the trade-offs between identification methods (unique vs. class based), data heterogeneity, feature extraction challenges, and evaluation metrics. By highlighting specific errors, such as improper data augmentation and misleading session identifiers, we provide a robust guideline for researchers to enhance the reproducibility and generalizability of IoT security models.
• Abstract（参考訳）: 本稿では,既存の文献に共通する落とし穴に対処するため,機械学習を用いたデバイス識別プロセスについて批判的に検討する。 識別手法(一意対クラスベース)、データ不均一性、特徴抽出課題、評価指標間のトレードオフを分析する。 不適切なデータ拡張やミスリードセッション識別子といった特定のエラーを強調することで、研究者がIoTセキュリティモデルの再現性と一般化性を高めるための堅牢なガイドラインを提供する。

関連論文リスト

• Towards a more realistic evaluation of machine learning models for bearing fault diagnosis [0.28873930745906956]
  本稿では,振動を用いた軸受故障診断におけるデータ漏洩問題とそのモデル評価への影響について検討する。 本研究では, 軸受データ分割に着目したリークフリー評価手法を提案し, トレーニングやテストに使用する物理部品の重複を防止した。 CWRU、パダーボーン大学(PU)、オタワ大学(UORED-VAF)の3つの広く採用されているデータセットに対する方法論の評価を行った。
  論文  参考訳（メタデータ） (2025-09-26T12:35:02Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• GeMID: Generalizable Models for IoT Device Identification [4.029017464832905]
  デバイス識別(DI)は、そのトラフィックパターンに基づいてIoTデバイスを識別する。 機械学習モデルを構築する既存のDIアプローチは、様々なネットワーク環境におけるモデル一般化可能性の課題を見落としていることが多い。 本稿では、この制限に対処し、異なるネットワーク環境において収集されたデータセット間でのDIモデルの一般化性を評価するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T17:09:43Z)
• Breaking Resource Barriers in Speech Emotion Recognition via Data Distillation [64.36799373890916]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす。 モノのインターネットにおけるエッジデバイスの出現は、複雑なディープラーニングモデルを構築する上での課題を示している。 本研究では,IoTアプリケーションにおけるSERモデルの効率的な開発を容易にするためのデータ蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T13:10:46Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• SoK: Machine Learning for Misinformation Detection [0.8057006406834466]
  信頼性と安全性の問題に機械学習を適用する際、奨学金と実践の切り離しについて検討する。 本研究は,現場における248件の有能な論文からなるコーパスにおける誤情報の自動検出に関する文献調査である。 完全自動検出における現在の最先端技術は、人為的誤報の検出において、限られた有効性を有すると結論づける。
  論文  参考訳（メタデータ） (2023-08-23T15:52:20Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)

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。