論文の概要: Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
- arxiv url: http://arxiv.org/abs/2603.22366v1
- Date: Mon, 23 Mar 2026 05:15:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.100842
- Title: Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
- Title（参考訳）: IoTネットワークにおける異常検出のための量子フェデレーションオートエンコーダのモデリング
- Authors: Devashish Chaudhary, Sutharshan Rajasegarar, Shiva Raj Pokhrel,
- Abstract要約: 我々は,IoTネットワークにおける効率,セキュア,分散処理に量子フェデレーション学習を活用するフレームワークである,異常検出のための量子フェデレーションオートエンコーダを提案する。
提案手法は,データプライバシを確保しつつ,集中型アプローチに匹敵する異常検出精度と堅牢性を実現する。
- 参考スコア（独自算出の注目度）: 7.598284763363093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a Quantum Federated Autoencoder for Anomaly Detection, a framework that leverages quantum federated learning for efficient, secure, and distributed processing in IoT networks. By harnessing quantum autoencoders for high-dimensional feature representation and federated learning for decentralized model training, the approach transforms localized learning on edge devices without requiring transmission of raw data, thereby preserving privacy and minimizing communication overhead. The model leverages quantum advantage in pattern recognition to enhance detection sensitivity, particularly in complex and dynamic IoT network traffic. Experiments on a real-world IoT dataset show that the proposed method delivers anomaly detection accuracy and robustness comparable to centralized approaches, while ensuring data privacy.
- Abstract（参考訳）: 我々は,IoTネットワークにおける効率,セキュア,分散処理に量子フェデレーション学習を活用するフレームワークである,異常検出のための量子フェデレーションオートエンコーダを提案する。
量子オートエンコーダを用いて高次元の特徴表現とフェデレート学習を分散モデルトレーニングに利用することにより、生データの送信を必要とせずにエッジデバイス上でのローカライズドラーニングを変換し、プライバシの保護と通信オーバーヘッドの最小化を実現する。
このモデルは、パターン認識における量子アドバンテージを活用して、特に複雑でダイナミックなIoTネットワークトラフィックにおいて、検出感度を高める。
実世界のIoTデータセットの実験では、提案手法はデータプライバシを確保しながら、集中的なアプローチに匹敵する異常検出精度と堅牢性を提供する。
関連論文リスト
- Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Modeling Quantum Autoencoder Trainable Kernel for IoT Anomaly Detection [5.822890076771093]
本稿では,ネットワークトラフィックを潜在表現に圧縮し,侵入検出に量子支援ベクトル分類を用いる量子オートエンコーダフレームワークを提案する。
この研究は、量子機械学習を、現実のサイバーセキュリティの課題に対して実行可能な、ハードウェア対応のソリューションとして確立している。
論文 参考訳（メタデータ） (2025-11-26T21:45:02Z) - A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT [0.4511923587827302]
フェデレート学習に基づく軽量かつプライバシー保護のボットネット検出フレームワークを提案する。
このアプローチにより、分散デバイスは生データを交換することなく、協力的にモデルをトレーニングできる。
ベンチマークIoTボットネットデータセットの実験は、このフレームワークが通信コストを大幅に削減しつつ高い検出精度を達成することを示した。
論文 参考訳（メタデータ） (2025-10-03T20:54:58Z) - Towards Adapting Federated & Quantum Machine Learning for Network Intrusion Detection: A Survey [7.598284763363093]
本調査では,ネットワーク侵入検知システム(NIDS)とフェデレートラーニング(FL)の統合について検討する。
FLは、データのプライバシを保持しながら、分散デバイス間で協調的なモデルトレーニングを可能にする。
我々は、DDoS、MITM、ボットネット攻撃を含む脅威に対する、プライバシー保護技術、モデル圧縮アプローチ、および攻撃固有のフェデレーションソリューションについて、詳細な調査を行う。
論文 参考訳（メタデータ） (2025-09-24T01:39:34Z) - A Quantum Genetic Algorithm-Enhanced Self-Supervised Intrusion Detection System for Wireless Sensor Networks in the Internet of Things [1.049126606580198]
本稿では、量子遺伝的アルゴリズム(QGA)と自己監視学習(SSL)を統合した新しいハイブリッド侵入検知システムを提案する。
提案するフレームワークは、IoT侵入データセットのベンチマークに基づいて評価され、検出精度、偽陽性率、計算効率の点で優れた性能を示す。
論文 参考訳（メタデータ） (2025-09-03T22:02:39Z) - FedMSE: Semi-supervised federated learning approach for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。
Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。
このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文 参考訳（メタデータ） (2024-10-18T02:23:57Z) - 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) - 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) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。