論文の概要: TRACE: Traceroute-based Internet Route change Analysis with Ensemble Learning

• arxiv url: http://arxiv.org/abs/2604.02361v1
• Date: Sat, 21 Mar 2026 13:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.529207
• Title: TRACE: Traceroute-based Internet Route change Analysis with Ensemble Learning
• Title（参考訳）: TRACE: Ensemble Learning を用いたトラストルートによるインターネット経路変化解析
• Authors: Raul Suzuki, Rodrigo Moreira, Pedro Henrique A. Damaso de Melo, Larissa F. Rodrigues Moreira, Flávio de Oliveira Silva,
• Abstract要約: 本研究では,トレースルート遅延データのみを用いて経路変更を識別するマシンラーニングピペリンであるTRACEを紹介する。 転がり統計と集約されたコンテキストパターンを用いて時間的ダイナミクスをキャプチャする,ロバストな機能エンジニアリング戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.046603287532620725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting Internet routing instability is a critical yet challenging task, particularly when relying solely on endpoint active measurements. This study introduces TRACE, a MachineLearning (ML)pipeline designed to identify route changes using only traceroute latency data, thereby ensuring independence from control plane information. We propose a robust feature engineering strategy that captures temporal dynamics using rolling statistics and aggregated context patterns. The architecture leverages a stacked ensemble of Gradient Boosted Decision Trees refined by a hyperparameter-optimized meta-learner. By strictly calibrating decision thresholds to address the inherent class imbalance of rare routing events, TRACE achieves a superior F1-score performance, significantly outperforming traditional baseline models and demonstrating strong effective ness in detecting routing changes on the Internet.
• Abstract（参考訳）: インターネットルーティングの不安定性の検出は、特にエンドポイントのアクティブ測定のみに依存する場合、非常に難しい作業である。 本研究では, トラストロート遅延データのみを用いて経路変化を識別し, 制御平面情報からの独立性を確保することを目的とした機械学習(ML)ピペリンであるTRACEを紹介する。 転がり統計と集約されたコンテキストパターンを用いて時間的ダイナミクスを捉える,ロバストな機能エンジニアリング戦略を提案する。 このアーキテクチャは、ハイパーパラメータ最適化メタラーナーによって改良されたグラディエントブースト決定木を積み重ねたアンサンブルを利用する。 まれなルーティングイベントの固有のクラス不均衡に対応するための決定しきい値の厳密な調整により、TRACEはF1スコアのパフォーマンスが向上し、従来のベースラインモデルを大幅に上回り、インターネット上のルーティング変更を検出する上で強力な有効性を示す。

関連論文リスト

• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• In-Context Reinforcement Learning From Suboptimal Historical Data [56.60512975858003]
  トランスフォーマーモデルは、主にコンテキスト内学習能力によって、目覚ましい経験的成功を収めた。 本稿では,アクタ・クリティカルなアルゴリズムを文脈内でエミュレートする決定重要度変換フレームワークを提案する。 以上の結果から,特にオフラインデータセットが最適な履歴データを含む場合,DITは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-27T23:13:06Z)
• CASTER: Breaking the Cost-Performance Barrier in Multi-Agent Orchestration via Context-Aware Strategy for Task Efficient Routing [25.48759875572515]
  CASTER (Context-Aware Strategy for Task Efficient Routing) はグラフベースMASにおける動的モデル選択のための軽量ルータである。 CASTERは強力なモデルベースラインに比べて推論コストを最大72.4%削減する。
  論文  参考訳（メタデータ） (2026-01-27T16:52:47Z)
• TraceHiding: Scalable Machine Unlearning for Mobility Data [1.6042394978941517]
  TraceHidingは、移動軌道データのためのスケーラブルで重要な機械学習フレームワークである。 トレーニングされたディープモデルから特定のユーザトラジェクトリを、フルリトレーニングなしで削除する。 非学習精度が向上し、MIAレジリエンスが向上し、リトレーニングよりも最大40倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-09-21T21:29:24Z)
• Rethinking Predictive Modeling for LLM Routing: When Simple kNN Beats Complex Learned Routers [3.090041654375235]
  我々は、k-Nearest Neighbors (kNN) アプローチが、様々なタスクにまたがる最先端の学習ルータよりも優れていることを示す。 その結果, 埋め込み空間におけるモデル性能の局所性は, 単純な非パラメトリック手法によって強いルーティング決定を実現できることがわかった。
  論文  参考訳（メタデータ） (2025-05-19T01:33:41Z)
• Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems [1.1265248232450553]
  本稿では,生パケット列上の一般化可能な侵入検出のための自己教師付きコントラスト学習手法を提案する。 本フレームワークは,既存のNetFlow自己管理手法と比較して,優れた性能を示す。 我々のモデルは,ラベル付き限られたデータを用いた教師付き侵入検知のための強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:42:00Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
  リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。 提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T02:39:26Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。