論文の概要: XAI-SOH-FL: Enhancing SOH-FL with Adaptive Aggregation and Explainable AI for Intrusion Detection in Heterogeneous IoT

• arxiv url: http://arxiv.org/abs/2606.00134v1
• Date: Thu, 28 May 2026 21:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.994123
• Title: XAI-SOH-FL: Enhancing SOH-FL with Adaptive Aggregation and Explainable AI for Intrusion Detection in Heterogeneous IoT
• Title（参考訳）: XAI-SOH-FL: 適応凝集によるSOH-FLの強化と異種IoTにおける侵入検出のための説明可能なAI
• Authors: Ambreen Aslam, Maaz Hassan, Bibi Zahra, Muhammad Khuram Shahzad,
• Abstract要約: XAI-SOH-FLは適応アグリゲーションと説明可能な人工知能をSOH-FLパラダイムに統合する拡張フレームワークである。 XAI-SOH-FLの精度は94.12%、F1スコアは0.92であり、ベースラインのSOH-FLモデルより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intrusion Detection Systems (IDS) in Internet of Things (IoT) environments face significant challenges due to data heterogeneity, lack of labeled data, and limited model interpretability. Federated Learning (FL) offers a privacy-preserving solution; however, existing approaches such as SOH-FL suffer from two key limitations: reliance on a manually tuned aggregation parameter γ and lack of explainability in model predictions. In this paper, we propose XAI-SOH-FL, an enhanced framework that integrates adaptive aggregation and explainable artificial intelligence into the SOH-FL paradigm. First, we introduce a dynamic γ selection mechanism based on similarity thresholding, enabling the aggregation process to adapt to evolving data distributions. Second, Bayesian Optimization is employed to automatically determine optimal γ values, eliminating the need for manual tuning. Third, SHAP (SHapley Additive exPlanations) is incorporated to provide feature-level interpretability for intrusion detection decisions. Experimental evaluation on the CICIDS2017 dataset demonstrates that the proposed approach achieves an accuracy of 94.12% and an F1-score of 0.92, outperforming the baseline SOH-FL model while converging in fewer communication rounds. Furthermore, SHAP-based analysis reveals that flow-level features such as Flow Duration and Packet Length significantly influence model predictions. These results indicate that XAI-SOH-FL provides an effective balance between accuracy, adaptability, and interpretability in heterogeneous IoT environments.
• Abstract（参考訳）: モノのインターネット(IoT)環境における侵入検知システム(IDS)は、データの異質性、ラベル付きデータの欠如、限定的なモデルの解釈可能性など、重大な課題に直面している。 フェデレートラーニング(FL)はプライバシ保護ソリューションを提供するが、SOH-FLのような既存のアプローチでは、手動で調整されたアグリゲーションパラメータ γ に依存することと、モデル予測における説明可能性の欠如という2つの重要な制限がある。 本稿では,適応アグリゲーションと説明可能な人工知能をSOH-FLパラダイムに統合する拡張フレームワークであるXAI-SOH-FLを提案する。 まず、類似度閾値に基づく動的γ選択機構を導入し、アグリゲーションプロセスが進化するデータ分布に適応できるようにする。 第二に、ベイズ最適化は最適γ値を自動決定するために使われ、手動チューニングの必要がなくなる。 第三に、SHAP(SHapley Additive exPlanations)が組み込まれ、侵入検出決定のための機能レベルの解釈性を提供する。 CICIDS2017データセットの実験的評価は、提案手法が94.12%の精度とF1スコア0.92の精度を達成し、より少ない通信ラウンドで収束しながらベースラインのSOH-FLモデルより優れていることを示している。 さらに、SHAPに基づく解析により、フロー時間やパケット長さといったフローレベルの特徴がモデル予測に大きく影響していることが明らかになった。 これらの結果は、XAI-SOH-FLが、異種IoT環境における精度、適応性、解釈可能性の効果的なバランスを提供することを示している。

関連論文リスト

• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• An Efficient Unsupervised Federated Learning Approach for Anomaly Detection in Heterogeneous IoT Networks [1.1827914375779147]
  フェデレートラーニング(FL)はIoT(Internet of Things)のような分散環境に有効なパラダイムである 本稿では、2つの異なるデータセットから共有された特徴を活用することにより、異常検出を効率化する効率的な非教師付きFLフレームワークを提案する。 実世界のIoTデータセットを用いた実験により,提案手法は異常検出精度において従来のFL手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-02-27T17:39:04Z)
• AVP-Fusion: Adaptive Multi-Modal Fusion and Contrastive Learning for Two-Stage Antiviral Peptide Identification [2.242125769416219]
  AVP-Fusionは、適応的な特徴融合と対照的な学習を統合した、新しい2段階のディープラーニングフレームワークである。 精度は 0.9531 であり、MCC は 0.9064 であり、最先端の手法を著しく上回っている。 移行学習を利用する第2段階では、このモデルは6つのウイルスファミリーと8つの特定のウイルスの正確なサブクラス予測を可能にする。
  論文  参考訳（メタデータ） (2025-12-25T07:29:39Z)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。