Fugu-MT 論文翻訳(概要): FIRCE: A Framework for Intrusion Response and Conformal Evaluation

論文の概要: FIRCE: A Framework for Intrusion Response and Conformal Evaluation

arxiv url: http://arxiv.org/abs/2605.01962v1
Date: Sun, 03 May 2026 16:48:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.019469
Title: FIRCE: A Framework for Intrusion Response and Conformal Evaluation
Title（参考訳）: FIRCE: 侵入応答とコンフォーマル評価のためのフレームワーク
Authors: Seth Barrett, Lin Li, Gokila Dorai, Swarnamugi Rajaganapathy,
Abstract要約: FIRCEは侵入応答とコンフォーマル評価のためのフレームワークである。同型評価に基づく不確実性定量化とドリフト検出をサポートする。我々は、FIRCEが分散シフトを検出し、モデル再トレーニングをトリガーする能力を実証する。
参考スコア（独自算出の注目度）: 3.3271517946886924
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning-based intrusion detection systems deployed in real-world environments frequently suffer from model degradation due to concept drift, where changes in traffic patterns invalidate training assumptions. To address this, we present FIRCE, a Framework for Intrusion Response and Conformal Evaluation that augments supervised IDS classifiers with conformal evaluation-based uncertainty quantification and drift detection. FIRCE supports four conformal evaluation strategies: Inductive, Cross, Approximate Transductive, and our proposed Approximate Cross-Conformal Evaluator, which achieves robust performance with minimal calibration overhead. FIRCE also introduces an adaptive chunking mechanism that dynamically adjusts evaluation granularity in response to stream volatility, improving drift responsiveness while preserving computational efficiency. Using a custom IoT testbed of 10 commercial devices and time-series network captures under simulated attack and drift conditions, we demonstrate FIRCE's ability to detect distributional shifts and trigger model retraining. We additionally benchmark FIRCE on the CICIDS2018 and UNSW-NB15 datasets to validate its generalizability. Experimental results show that conformal evaluation-based drift detection, combined with adaptive chunking, enables an efficient and robust response to evolving threats.
Abstract（参考訳）: 実環境にデプロイされた機械学習ベースの侵入検知システムは、しばしばコンセプトドリフトによるモデル劣化に悩まされ、トラフィックパターンの変化がトレーニングの前提を無効にする。そこで本研究では,IDS分類器を整合性評価に基づく不確実性定量化とドリフト検出により拡張する,侵入応答・コンフォーマル評価のためのフレームワークであるFIRCEを提案する。 Inductive, Cross, Approximate Transductive と提案した Approximate Cross-Conformal Evaluator は,キャリブレーションのオーバーヘッドを最小限に抑えた堅牢な性能を実現する。 FIRCEはまた、適応的なチャンキング機構を導入し、ストリームのボラティリティに応じて評価の粒度を動的に調整し、計算効率を保ちながらドリフト応答性を改善する。 10台の商用デバイスのカスタムIoTテストベッドと、シミュレートされた攻撃とドリフト条件下での時系列ネットワークキャプチャを使用して、FIRCEが分散シフトを検出し、モデル再トレーニングをトリガーする能力を示す。また、CICIDS2018およびUNSW-NB15データセット上でFIRCEをベンチマークし、その一般化性を検証する。実験結果から, 適合性評価に基づくドリフト検出と適応的チャンキングが組み合わさって, 進化する脅威に対する効率的かつ堅牢な応答を可能にすることが示された。

関連論文リスト

VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
論文参考訳（メタデータ） (2026-05-02T02:13:11Z)
Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
論文参考訳（メタデータ） (2026-04-27T11:23:18Z)
ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
論文参考訳（メタデータ） (2026-02-26T23:20:42Z)
Volatility in Certainty (VC): A Metric for Detecting Adversarial Perturbations During Inference in Neural Network Classifiers [0.5793804025420254]
ニューラルネットワーク分類器をデプロイする上で、相反する堅牢性は依然として重要な課題である。本稿では,モデル信頼度における不規則性を定量化するラベルフリー計量であるtextitVolatility in Certainty (VC)について検討する。
論文参考訳（メタデータ） (2025-11-14T19:51:04Z)
Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文参考訳（メタデータ） (2025-10-13T07:35:04Z)
Transformer-Based Indirect Structural Health Monitoring of Rail Infrastructure with Attention-Driven Detection and Localization of Transient Defects [1.1782896991259]
我々は,段階的に複雑な課題に対してモデルロバスト性を評価するために,漸進的な合成データベンチマークを導入する。提案するアテンション・フォーカス変換器とともに,複数の教師なしモデルを評価する。提案モデルでは,提案手法の精度は最先端の解に匹敵するが,推論速度は向上する。
論文参考訳（メタデータ） (2025-10-08T23:01:53Z)
Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-10-03T06:27:33Z)
Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
論文参考訳（メタデータ） (2025-08-09T19:39:33Z)
Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文参考訳（メタデータ） (2024-07-12T15:48:40Z)
Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文参考訳（メタデータ） (2024-03-05T20:54:56Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)

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。