論文の概要: SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments

• arxiv url: http://arxiv.org/abs/2604.06254v1
• Date: Mon, 06 Apr 2026 20:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.121425
• Title: SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments
• Title（参考訳）: セキュアIIoTおよびIoMT環境におけるSe-Enhanced ViTおよびBiLSTMによる侵入検出
• Authors: Afrah Gueriani, Hamza Kheddar, Ahmed Cherif Mazari, Seref Sagiroglu, Onur Ceran,
• Abstract要約: 本研究では,Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) アーキテクチャに基づく高度な侵入検出フレームワークを提案する。 この設計では、Vision Transformerの従来のマルチヘッドアテンション機構をSqueeze-and-Excitation attentionに置き換え、BiLSTM層と統合して検出精度と計算効率を向上させる。 実験結果から,SE ViT-BiLSTMモデルは既存の手法よりも複数の指標で優れていることがわかった。
• 参考スコア（独自算出の注目度）: 1.6135093772405138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid growth of interconnected devices in Industrial and Medical Internet of Things (IIoT and MIoT) ecosystems, ensuring timely and accurate detection of cyber threats has become a critical challenge. This study presents an advanced intrusion detection framework based on a hybrid Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) architecture. In this design, the traditional multi-head attention mechanism of the Vision Transformer is replaced with Squeeze-and-Excitation attention, and integrated with BiLSTM layers to enhance detection accuracy and computational efficiency. The proposed model was trained and evaluated on two real-world benchmark datasets; EdgeIIoT and CICIoMT2024; both before and after data balancing using the Synthetic Minority Over-sampling Technique (SMOTE) and RandomOverSampler. Experimental results demonstrate that the SE ViT-BiLSTM model outperforms existing approaches across multiple metrics. Before balancing, the model achieved accuracies of 99.11% (FPR: 0.0013%, latency: 0.00032 sec/inst) on EdgeIIoT and 96.10% (FPR: 0.0036%, latency: 0.00053 sec/inst) on CICIoMT2024. After balancing, performance further improved, reaching 99.33% accuracy with 0.00035 sec/inst latency on EdgeIIoT and 98.16% accuracy with 0.00014 sec/inst latency on CICIoMT2024.
• Abstract（参考訳）: 産業用および医療用IoT(Industrial and Medical Internet of Things, IIoT)エコシステムにおけるデバイス相互接続の急速な成長に伴い、サイバー脅威のタイムリーかつ正確な検出が重要な課題となっている。 本研究では,Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) アーキテクチャに基づく高度な侵入検出フレームワークを提案する。 この設計では、Vision Transformerの従来のマルチヘッドアテンション機構をSqueeze-and-Excitation attentionに置き換え、BiLSTM層と統合して検出精度と計算効率を向上させる。 提案モデルは、SMOTE(Synthetic Minority Over-Sampling Technique)とRandomOverSamplerを使用してデータバランシングの前後で、EdgeIIoTとCICIoMT2024という2つの実世界のベンチマークデータセットでトレーニングされ、評価された。 実験結果から,SE ViT-BiLSTMモデルは既存の手法よりも複数の指標で優れていることがわかった。 バランスをとる前に、このモデルはEdgeIIoT上で99.11%(FPR: 0.0013%、レイテンシ: 0.00032 sec/inst)、CICIoMT2024で96.10%(FPR: 0.0036%、レイテンシ: 0.00053 sec/inst)の精度を達成した。 バランスをとると、パフォーマンスはさらに改善され、EdgeIIoTでは99.33%の精度、EdgeIIoTでは0.00035 sec/instレイテンシ、CICIoMT2024では0.00014 sec/instレイテンシでは98.16%の精度に達した。

関連論文リスト

• Hybrid ResNet-1D-BiGRU with Multi-Head Attention for Cyberattack Detection in Industrial IoT Environments [1.1263731027301402]
  本研究では,産業用IoTシステムにおける侵入検出のためのハイブリッドディープラーニングモデルを提案する。 ResNet-1D、BiGRU、Multi-Head Attention(MHA)を組み合わせて、効果的な時空間特徴抽出と注目に基づく特徴重み付けを行う。 このモデルは98.71%の精度、0.0417%の損失、低い推論遅延(0.0001 sec/instance)を達成し、強力なリアルタイム能力を示した。
  論文  参考訳（メタデータ） (2026-04-07T21:32:03Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Time2Vec Transformer for Robust Gesture Recognition from Low-Density sEMG [1.231764991565978]
  本稿では筋電義手制御のための新しい,データ効率の高いディープラーニングフレームワークを提案する。 提案手法は, スパース2チャネル表面筋電図(sEMG)に最適化されたハイブリッドトランスフォーマーの実装である。 提案するフレームワークは, 迅速なパーソナライズが可能な次世代人工装具の堅牢で費用対効果の高い青写真を提供する。
  論文  参考訳（メタデータ） (2026-02-02T09:28:27Z)
• Deep Learning-Based Surrogate Creep Modelling in Inconel 625: A High-Temperature Alloy Study [0.0]
  インコネル625のような高温合金のクリープは、航空宇宙やエネルギーシステムで使用されるコンポーネントの長期信頼性の重要な要素である。 本研究は,このようなシミュレーションを高速かつ高精度に置き換えるために,ディープラーニングに基づく代理モデルを提案する。
  論文  参考訳（メタデータ） (2025-12-19T11:44:12Z)
• A Robust Cross-Domain IDS using BiGRU-LSTM-Attention for Medical and Industrial IoT Security [0.21427777919040417]
  本稿では,BiGAT-IDと呼ばれる新しいトランスフォーマーを用いた侵入検知システムについて紹介する。 BiGAT-IDは、双方向リカレントゲートユニットBiGRU、長期記憶LSTMネットワーク、マルチヘッドアテンションMHAを組み合わせたハイブリッドモデルである。 このモデルは例外的な実行効率を示し、IoMTではインスタンス毎に0.0002秒、IIoTシナリオでは0.0001秒の推論時間である。
  論文  参考訳（メタデータ） (2025-08-17T18:50:23Z)
• Faster and Better LLMs via Latency-Aware Test-Time Scaling [47.3923926808606]
  テスト時間スケーリング(TTS)は、推論時の言語モデル(LLM)の性能向上に有効であることが証明されている。 既存の研究は、レイテンシに敏感な観点から、TSの効率性を見落としている。 計算最適TSは、レイテンシが重要となるシナリオにおいて、必ずしも最低レイテンシをもたらすとは限らないことを実証する。
  論文  参考訳（メタデータ） (2025-05-26T07:51:30Z)

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。