論文の概要: On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT

• arxiv url: http://arxiv.org/abs/2605.16707v1
• Date: Fri, 15 May 2026 23:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.917752
• Title: On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT
• Title（参考訳）: セキュアIoMTのためのオンデバイス解釈可能なTsetlinマシンによる侵入検出
• Authors: Rahul Jaiswal, Per-Arne Andersen, Linga Reddy Cenkeramaddi, Lei Jiao, Ole-Christoffer Granmo,
• Abstract要約: 本稿では、IoMT環境における様々なサイバー攻撃の位相を特定するための、デバイス上での解釈可能なTsetlin Machine(TM)ベースの侵入検知システム(IDS)を提案する。 現実的なサイバー攻撃のさまざまなフェーズを含むMedSec-25データセットの大規模な評価は、提案モデルがMLモデルや最先端手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 13.996271196616364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid evolution of digital health technologies is redefining healthcare services worldwide. The integration of wireless communication and Internet-enabled medical devices within Internet of Medical Things (IoMT) networks enables continuous, real-time patient monitoring. However, this increased connectivity raises cybersecurity and patient safety risks due to increasingly sophisticated cyberattacks. This paper proposes a novel on-device, interpretable Tsetlin Machine (TM)-based Intrusion Detection System (IDS) to identify various phases of cyberattacks in IoMT environments. The TM is a rule-driven and transparent machine learning (ML) approach that represents attack patterns using propositional logic. Extensive evaluations on the MedSec-25 dataset, encompassing various phases of realistic cyberattacks, show that the proposed model outperforms ML models and state-of-the-art methods, attaining a classification performance of 97.83\%. Moreover, the proposed model offers explicit explanations of its decisions to enhance transparency using feature-level contributions, class-wise vote scores, and clause activation heatmaps. Edge deployment (Raspberry Pi) further supports real-time on-device inference and intrusion detection. The combination of interpretability and high performance makes the proposed model well-suited for IoMT healthcare, where trust, reliability, safety, and timely decision-making are critical.
• Abstract（参考訳）: デジタルヘルス技術の急速な進化は、世界中の医療サービスを再定義している。 インターネット・オブ・メディカル・モノズ(IoMT)ネットワークにおける無線通信とインターネット対応医療機器の統合により,継続的かつリアルタイムな患者モニタリングが可能となった。 しかし、この接続性の向上は、ますます高度なサイバー攻撃によるサイバーセキュリティと患者の安全リスクを増大させる。 本稿では、IoMT環境における様々なサイバー攻撃の位相を特定するための、デバイス上での解釈可能なTsetlin Machine(TM)ベースの侵入検知システム(IDS)を提案する。 TMはルール駆動で透過的な機械学習(ML)アプローチであり、命題論理を用いて攻撃パターンを表現する。 リアルなサイバー攻撃の様々な段階を含むMedSec-25データセットの大規模な評価は、提案モデルがMLモデルと最先端の手法を上回り、97.83\%の分類性能を達成していることを示している。 さらに,提案モデルでは,特徴レベルのコントリビューション,クラスワイド投票スコア,節アクティベーションヒートマップを用いて透明性を高めるための決定を明示的に説明する。 エッジデプロイメント(Raspberry Pi)はさらに、デバイス上のリアルタイム推論と侵入検出をサポートする。 解釈可能性と高いパフォーマンスの組み合わせは、信頼、信頼性、安全性、タイムリーな意思決定が重要であるIoMT医療に適している。

関連論文リスト

• A Tsetlin Machine-driven Intrusion Detection System for Next-Generation IoMT Security [13.996271196616364]
  本稿では,IoMTネットワークをターゲットとしたサイバー攻撃を検出するための新しいTsetlin Machine (TM)ベースの侵入検知システムを提案する。 TMはルールベースで解釈可能な機械学習(ML)アプローチで、命題論理を使ってパターンをモデル化する。 提案モデルでは,2進分類で99.5%,多進分類で90.7%の精度を達成し,既存の最先端手法を上回りつつある。
  論文  参考訳（メタデータ） (2026-04-03T17:26:52Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Fusion of Machine Learning and Blockchain-based Privacy-Preserving Approach for Health Care Data in the Internet of Things [0.5097809301149341]
  IoT(Internet of Things)デバイスの医療分野への迅速な統合は、患者のケアとデータ管理において革命的な進歩をもたらした。 これらの技術革新は、特に潜在的なサイバー脅威に対する医療データの保護において、重要なセキュリティ上の懸念を提起する。 本稿では,IoTベースの医療システムにおけるセキュリティ強化の必要性に対処するために,3つの異なるフェーズを包含する包括的手法を提案する。
  論文  参考訳（メタデータ） (2025-10-21T19:09:46Z)
• CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models [0.0]
  医療業界におけるIoT(Internet of Things)とIoM(Internet of Medical)の急速な統合は、患者のケアと病院運営を大幅に改善した。 DDoS攻撃には重大な危険があり、運用上の安定性と患者の安全性を損なう。 本研究は,暗号ジャッキング検出手法に影響された,革新的な機械学習検出フレームワークであるCryptoDNAを紹介する。
  論文  参考訳（メタデータ） (2025-01-30T18:22:16Z)
• Facial Expression Analysis and Its Potentials in IoT Systems: A Contemporary Survey [48.60253527030446]
  表情分析とIoT(Internet-of-Thing)システムの統合は、さまざまなシナリオにおいて大きな可能性を秘めている。 本研究の目的は,表情分析における研究の進展を概観し,IoTシステムとの統合の可能性を探ることである。 表情に基づく技術とIoTシステムの融合に向けた課題と今後の方向性を強調します。
  論文  参考訳（メタデータ） (2024-12-23T14:41:01Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• Securing Healthcare with Deep Learning: A CNN-Based Model for medical IoT Threat Detection [0.44998333629984877]
  インターネット・オブ・メディカル・モノ(IoMT)の医療システムへの統合は、患者のケアを大幅に強化した。 本稿では、IoMT環境におけるサイバー攻撃を検出するために、畳み込みニューラルネットワーク(CNN)に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-26T14:27:17Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• A Novel Framework for Threat Analysis of Machine Learning-based Smart Healthcare Systems [2.519906683279153]
  機械学習と形式解析機能を統合した新たな脅威分析フレームワークであるSHCheckerを提案します。 私たちは合成データセットと実データセットにSHCheckerを実装し、フレームワークがIoMTシステムにおける潜在的な攻撃ベクトルを明らかにすることができることを確認します。
  論文  参考訳（メタデータ） (2021-03-05T04:51:02Z)

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。