論文の概要: Optimizing IoT Intrusion Detection with Tabular Foundation Models for Smart City Forensics

• arxiv url: http://arxiv.org/abs/2604.11394v1
• Date: Mon, 13 Apr 2026 12:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.5321
• Title: Optimizing IoT Intrusion Detection with Tabular Foundation Models for Smart City Forensics
• Title（参考訳）: スマートシティフォサイシクスのためのタブラル基礎モデルによるIoT侵入検出の最適化
• Authors: Asma Al-Dahmani, Abdulla Bin Safwan, Mohammad Obeidat, Belal Alsinglawi,
• Abstract要約: 本稿では,変換器をベースとした基礎モデルであるTabPFNv2.5のシステム評価について述べる。 TON IoTデータセットを使用して、TabPFNv2.5がランダムフォレストよりも40倍高速な推論を実現していることを示す。 本研究では,TabPFNv2.5が高速脅威スクリーニングを行い,アンサンブルモデルが詳細な分類処理を行うハイブリッドパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.2333246928962179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Security operations in smart cities demand detection systems that balance accuracy with response time. While ensemble methods like Random Forest achieve high accuracy, their computational overhead impedes real-time forensic triage. We present the first systematic evaluation of TabPFNv2.5, a transformer-based foundation model, against traditional ensemble classifiers for IoT intrusion detection. Using the TON IoT dataset, we demonstrate that TabPFNv2.5 achieves 40 faster inference than Random Forest while maintaining 97% binary classification accuracy. We propose a hybrid pipeline in which TabPFNv2.5 performs rapid threat screening, while ensemble models handle detailed classification. Our analysis reveals that scanning attacks remain the hardest to detect (F1: 69.8%) and cross-device generalization depends critically on feature similarity. These findings establish foundation models as viable components for time-sensitive IoT security operations
• Abstract（参考訳）: スマートシティのセキュリティオペレーションは、応答時間と精度のバランスをとる検出システムを要求する。 ランダムフォレストのようなアンサンブル法は精度が高いが、その計算オーバーヘッドはリアルタイムの法医学的トリアージを妨げている。 トランスフォーマーベース基盤モデルであるTabPFNv2.5を,IoT侵入検出のための従来のアンサンブル分類器に対して,初めて体系的に評価した。 TON IoTデータセットを用いて、TabPFNv2.5はRandom Forestよりも40高速な推論を実現し、97%のバイナリ分類精度を維持していることを示す。 本研究では,TabPFNv2.5が高速脅威スクリーニングを行い,アンサンブルモデルが詳細な分類処理を行うハイブリッドパイプラインを提案する。 解析の結果,スキャン攻撃は最も検出が難しい(F1: 69.8%)こと,デバイス間の一般化は特徴の類似性に大きく依存していることが判明した。 これらの知見は、時間に敏感なIoTセキュリティ運用のための実行可能なコンポーネントとして基礎モデルを確立する。

関連論文リスト

• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• FDINet: Protecting against DNN Model Extraction via Feature Distortion Index [25.69643512837956]
  FDINETは、ディープニューラルネットワーク(DNN)モデルの特徴分布を活用する新しい防御メカニズムである。 FDI類似性を利用して、分散抽出攻撃から衝突する敵を識別する。 FDINETは、91%を超える精度で衝突する敵を識別する能力を示している。
  論文  参考訳（メタデータ） (2023-06-20T07:14:37Z)
• ADASYN-Random Forest Based Intrusion Detection Model [0.0]
  侵入検知はサイバーセキュリティの分野で重要な話題であり、近年のネットワークの脅威は多様性とバリエーションの特徴を持っている。 侵入検出データセットの深刻な不均衡を考慮して,adasynオーバーサンプリング法を用いてデータセットのバランスをとる。 従来の機械学習モデルと比較して、パフォーマンス、一般化能力、堅牢性が向上します。
  論文  参考訳（メタデータ） (2021-05-10T12:22:36Z)
• Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
  目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。 提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。 また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
  論文  参考訳（メタデータ） (2021-01-30T07:21:44Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• 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。