論文の概要: Efficient Personalized Federated PCA with Manifold Optimization for IoT Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.12622v1
• Date: Fri, 13 Feb 2026 04:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.852208
• Title: Efficient Personalized Federated PCA with Manifold Optimization for IoT Anomaly Detection
• Title（参考訳）: IoT異常検出のためのマニフォールド最適化によるパーソナライズドフェデレーションPCA
• Authors: Xianchao Xiu, Chenyi Huang, Wei Zhang, Wanquan Liu,
• Abstract要約: モノのインターネット(IoT)ネットワークは、分散リソースの制約により、セキュリティ上の脅威が増大する。 我々は、IoTネットワークのためのパーソナライズされたパーソナライズされた(FedEP)異常検出モデルを提案する。
• 参考スコア（独自算出の注目度）: 14.223922808241028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet of things (IoT) networks face increasing security threats due to their distributed nature and resource constraints. Although federated learning (FL) has gained prominence as a privacy-preserving framework for distributed IoT environments, current federated principal component analysis (PCA) methods lack the integration of personalization and robustness, which are critical for effective anomaly detection. To address these limitations, we propose an efficient personalized federated PCA (FedEP) method for anomaly detection in IoT networks. The proposed model achieves personalization through introducing local representations with the $\ell_1$-norm for element-wise sparsity, while maintaining robustness via enforcing local models with the $\ell_{2,1}$-norm for row-wise sparsity. To solve this non-convex problem, we develop a manifold optimization algorithm based on the alternating direction method of multipliers (ADMM) with rigorous theoretical convergence guarantees. Experimental results confirm that the proposed FedEP outperforms the state-of-the-art FedPG, achieving excellent F1-scores and accuracy in various IoT security scenarios. Our code will be available at \href{https://github.com/xianchaoxiu/FedEP}{https://github.com/xianchaoxiu/FedEP}.
• Abstract（参考訳）: モノのインターネット(IoT)ネットワークは、その分散した性質とリソース制約により、セキュリティ上の脅威が増大する。 分散IoT環境のためのプライバシ保護フレームワークとして、FL(Federated Learning)が注目されているが、現在のフェデレーション主成分分析(PCA)手法では、パーソナライゼーションとロバストネスの統合が欠如しており、これは効果的な異常検出に不可欠である。 これらの制約に対処するために、IoTネットワークにおける異常検出のための効率的なパーソナライズされたフェデレーションPCA(FedEP)手法を提案する。 提案モデルでは,局所表現に$\ell_1$-normを,局所モデルに$\ell_{2,1}$-normを,行幅に$\ell_1$-normを付与することでパーソナライズを実現する。 この非凸問題を解くために、厳密な理論的収束を保証する乗算器の交互方向法(ADMM)に基づく多様体最適化アルゴリズムを開発した。 実験の結果、提案されたFedEPは最先端のFedPGよりも優れており、さまざまなIoTセキュリティシナリオにおいて優れたF1スコアと精度を実現している。 私たちのコードは \href{https://github.com/xianchaoxiu/FedEP}{https://github.com/xianchaoxiu/FedEP} で利用可能です。

関連論文リスト

• Federated Structured Sparse PCA for Anomaly Detection in IoT Networks [3.7711905543608695]
  そこで本研究では,IoTネットワークにおける異常に対する新しい主成分分析手法を提案する。 提案モデルでは, $ell_2, $Pnormin [0,1) が支配する空間正規化を統合する。 我々は、交互に構成された近近距離設定に基づく効率的な最適化アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2025-03-31T11:50:21Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
  従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。 AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。 本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
  論文  参考訳（メタデータ） (2024-07-10T07:23:21Z)
• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks [19.861389496676964]
  主成分分析(PCA)は、異常検出のための正常かつ悪意のある動作に対応する2つの非結合部分空間にネットワークトラフィックを分離するために提案されている。 異常検出のための正常なネットワーク動作の結合プロファイルを集約するためにIoTデバイスをコーディネートする,PCAベースのGrassmannian最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-23T03:11:56Z)
• 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)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。