論文の概要: Variational Autoencoder Domain Adaptation for Cross-System Generalization in ML-Based SOP Monitoring

• arxiv url: http://arxiv.org/abs/2604.18035v1
• Date: Mon, 20 Apr 2026 10:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.800495
• Title: Variational Autoencoder Domain Adaptation for Cross-System Generalization in ML-Based SOP Monitoring
• Title（参考訳）: MLに基づくSOPモニタリングにおけるクロスシステム一般化のための変分オートエンコーダ領域適応
• Authors: Leyla Sadighi, Stefan Karlsson, Carlos Natalino, Mojtaba Eshghie, Fehmida Usmani, Eoin Kenny, Lena Wosinska, Paolo Monti, Marija Furdek, Marco Ruffini,
• Abstract要約: 両システムに共通するイベントシグネチャをキャプチャする共有表現を学習するフレームワークを提案する。 提案手法はシステム1からシステム2に移行する際に95.3%と73.5%の精度を達成する。
• 参考スコア（独自算出の注目度）: 2.7578536045432034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) models trained to detect physical-layer threats on one optical fiber system often fail catastrophically when applied to a different system, due to variations in operating wavelength, fiber properties, and network architecture. To overcome this, we propose a Domain Adaptation (DA) framework based on a Variational Autoencoder (VAE) that learns a shared representation capturing event signatures common to both systems while suppressing system-specific differences. The shared encoder is first trained on the combined data from two distinct optical systems: a 21 km O-band dark-fiber testbed (System 1) and a 63.4 km C-band live metro ring (System 2). The encoder is then frozen, and a classifier is trained using labels from an individual system. The proposed approach achieves 95.3% and 73.5% cross-system accuracy when moving from System 1 to System 2 and vice versa, respectively. This corresponds to gains of 83.4% and 51% over a fully supervised Deep Neural Network (DNN) baseline trained on a single system, while preserving intra-system performance.
• Abstract（参考訳）: 機械学習(ML)モデルは、ある光ファイバーシステムにおける物理層脅威を検出するために訓練され、動作波長、ファイバー特性、ネットワークアーキテクチャのばらつきにより、異なるシステムに適用された場合、破滅的に失敗することが多い。 これを解決するために,変分オートエンコーダ(VAE)に基づくドメイン適応(DA)フレームワークを提案し,システム固有の差異を抑えつつ,両システムに共通するイベントシグネチャをキャプチャする共有表現を学習する。 共有エンコーダは、まず21kmのOバンドダークファイバテストベッド(System 1)と63.4kmのCバンドライブメトロリング(System2)の2つの異なる光学系からのデータに基づいて訓練される。 エンコーダは凍結され、分類器は個々のシステムのラベルを使って訓練される。 提案手法は,システム1からシステム2に移行する際のシステム間精度が95.3%,システム2が73.5%である。 これは、システム内部のパフォーマンスを維持しながら、単一のシステムでトレーニングされた完全な教師付きディープニューラルネットワーク(DNN)ベースラインに対して83.4%と51%の増加に相当する。

関連論文リスト

• PARD-SSM: Probabilistic Cyber-Attack Regime Detection via Variational Switching State-Space Models [0.0]
  本稿では,ネットワークテレメトリをK = 4 の隠れ状態を持つ線形力学系としてモデル化する確率的フレームワーク PARD-SSM を提案する。 構造的変動近似は、推論の複雑さを指数関数からO(TK2)に還元し、標準CPUハードウェアでのリアルタイム検出を可能にする。 モデルはまた、攻撃開始の約8分前に予測アラートを生成する。
  論文  参考訳（メタデータ） (2026-04-02T17:38:52Z)
• Evolutionary Multi-Objective Fusion of Deepfake Speech Detectors [0.17398560678845076]
  本稿では,検出誤差とシステム複雑性を両立させる多目的スコア融合フレームワークを提案する。 36個のSSLベースの検出器を用いたASVspoof 5データセットの実験では、得られたフロントは単純な平均値とロジスティック回帰基準よりも優れていた。 提案手法は多様なトレードオフソリューションも提供し,精度と計算コストのバランスをとるデプロイメントの選択を可能にする。
  論文  参考訳（メタデータ） (2026-04-01T19:17:59Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
  異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。 提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
  論文  参考訳（メタデータ） (2024-01-07T08:59:32Z)
• Faulty Branch Identification in Passive Optical Networks using Machine Learning [0.0]
  パッシブ光ネットワーク(PON)は有望なブロードバンドアクセスネットワークソリューションとなっている。 PONシステムはネットワークの障害を素早く特定し、ローカライズするために、常に監視されなければならない。 機械学習(ML)ベースのアプローチは、PONシステムにおける光学的欠陥を管理する大きな可能性を示している。
  論文  参考訳（メタデータ） (2023-04-03T20:59:16Z)
• Two-pass Decoding and Cross-adaptation Based System Combination of End-to-end Conformer and Hybrid TDNN ASR Systems [61.90743116707422]
  本稿では,ハイブリッドTDNNとConformer E2E ASRシステムのためのマルチパス再構成とクロスアダプティブに基づくシステムの組み合わせについて検討する。 NIST Hub5'00、Rt03、Rt02の評価データに対して、マルチパス再構成を用いて得られた最良の組み合わせシステムにより、統計的に有意な単語誤り率(WER)が2.5%から3.9%の絶対値(22.5%から28.9%の相対値)に低下した。
  論文  参考訳（メタデータ） (2022-06-23T10:17:13Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)

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。