論文の概要: XAI and Statistical Analysis for Reliable Intrusion Detection in the UAVIDS-2025 Dataset: From Tree to Hybrid and Tabular DNN Ensembles
- arxiv url: http://arxiv.org/abs/2605.13922v1
- Date: Wed, 13 May 2026 14:08:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.419001
- Title: XAI and Statistical Analysis for Reliable Intrusion Detection in the UAVIDS-2025 Dataset: From Tree to Hybrid and Tabular DNN Ensembles
- Title（参考訳）: UAVIDS-2025データセットにおけるXAIと信頼性侵入検出の統計的解析:木からハイブリッド,タブラルDNNアンサンブルへ
- Authors: Iakovos-Christos Zarkadis, Christos Douligeris,
- Abstract要約: 我々は,UAVの侵入を検出するために,木組,深層ニューラルネットワーク,ハイブリッド積み重ねモデル,最新のアンサンブルニューラルネットワークについて検討する。
当社のトップパフォーマンスモデルであるXGBoostでは、グローバルおよびローカルな機能の重要性を分析し、通常のトラフィックを模倣するために、どの機能、各攻撃対象かを理解する。
UAVIDS-2025におけるワームホール攻撃とブラックホール攻撃で観測された誤予測の真の原因を発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the last few years, the term Mechanistic Interpretability, a specific area, under the umbrella of explainable artificial intelligence (XAI), has been introduced, to explain the decisions made by complex machine learning (ML) models in critical systems like UAV intrusion detection systems (UAVIDS). In this paper, we apply best-practices for data pre-processing and examine a wide range of tree-ensembles, deep neural networks, hybrid stacking models and the latest ensemble neural networks to detect intrusions in UAV, with stratified 10-fold cross validation. With our top-performing model, XGBoost, we proceed to Shapley Additive explanations (SHAP), to analyze the global and local feature importances and understand which features, each attack targets, to mimic normal traffic and where the misclassifications occur. Furthermore a distribution analysis follows, by visually comparing violin plots and the curves of kernel density estimations. With the Westfall-Young permutation test for multiple comparisons, the Bandwidth optimization of the KDEs and the selection of Jensen-Shannon Distance for the test, we discover the true causes of false predictions, observed in Wormhole and Blackhole attacks in UAVIDS-2025. The findings provide robust, reliable and explainable models for UAV intrusion detection, along with statistical insights, which capture and clarify the masked nature of the attacks, regarding the challenge of Density Support Intersection, between these attacks, in this dataset.
- Abstract（参考訳）: ここ数年、UAV侵入検知システム(UAVIDS)のような重要なシステムにおける複雑な機械学習(ML)モデルによる決定を説明するために、説明可能な人工知能(XAI)の傘下にある特定の領域である機械的解釈可能性(Mechanistic Interpretability)という用語が導入された。
本稿では,データ前処理のベストプラクティスを適用し,木組,深層ニューラルネットワーク,ハイブリッド積み重ねモデル,最新のアンサンブルニューラルネットワークを用いて,UAVの侵入を検出する。
当社のトップパフォーマンスモデルであるXGBoostでは、Shapley Additive explanations(SHAP)に進み、グローバルおよびローカルな機能の重要性を分析し、どの機能、各攻撃対象、正常なトラフィックを模倣し、どこで誤分類が発生したかを理解する。
さらに、分布解析は、バイオリンプロットとカーネル密度推定の曲線を視覚的に比較することによって従う。
複数の比較のためのWestfall-Young置換試験、KDEのバンド幅最適化、テストのためのJensen-Shannon Distanceの選択により、UAVIDS-2025のWormholeおよびBlackhole攻撃で観測された誤予測の真の原因が明らかになった。
この結果から、UAV侵入検知のための堅牢で信頼性が高く説明可能なモデルと、これらの攻撃間の密度支援断面積の課題に関して、攻撃のマスクされた性質を捉え、明らかにする統計的知見が得られた。
関連論文リスト
- Assessing Generalisation Capability of Machine Learning Models for Intrusion Detection [12.976685413458243]
本研究では,UNSW-NB15とTON_IoTを用いた侵入検出のための教師付き機械学習モデルの一般化能力について検討した。
ランダムフォレスト、ロジスティック回帰、ネイブベイズは、同じデータセットとクロスデータセット設定で評価された。
その結果,侵入検出における大きな一般化ギャップが明らかとなった。
論文 参考訳（メタデータ） (2026-05-06T01:59:09Z) - A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks [0.2708211191235587]
本研究の目的は、ドローンネットワークに適した堅牢で解釈可能な侵入検知フレームワークを開発することである。
我々は、ラベル付きデータセットでトレーニングされたランダムフォレスト、エクストラツリー、AdaBoost、CatBoost、XGBoostといったアンサンブルベースの機械学習モデルの比較分析を行う。
提案するアプローチは、ほぼ完全な精度を提供するだけでなく、解釈可能性も保証し、リアルタイムかつ安全クリティカルなドローン操作に非常に適している。
論文 参考訳（メタデータ） (2025-09-23T00:59:21Z) - Evaluating the Effectiveness of Attack-Agnostic Features for Morphing Attack Detection [20.67964977754179]
モーフィング攻撃検出(MAD)における画像表現の可能性について検討する。
ガウス混合モデル(GMM)によるボナフィド特性の分布をモデル化し,抽出した特徴量と一級検出値に基づいて単純な2次線形SVMを訓練し,教師付き検出器を開発する。
以上の結果から,攻撃非依存の特徴は,ほとんどのシナリオにおいて従来の教師付き・一級検知器よりも優れた形態的攻撃を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2024-10-22T08:27:43Z) - Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。
すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。
また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
論文 参考訳（メタデータ） (2024-06-14T03:11:01Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - 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) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。