論文の概要: nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2606.09934v1
• Date: Sun, 07 Jun 2026 19:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.062738
• Title: nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection
• Title（参考訳）: nCMD:不均衡なネットワーク侵入検出のための良質な特徴選択
• Authors: Abu Fuad Ahmad, Istiaque Ahmed,
• Abstract要約: 侵入検知システムの特徴をランク付けするために,良性アンコール型クラスワイド平均偏差(nCMD)を提案する。 nCMDは、グローバルバイアス参照ではなく、良性クラス平均からの攻撃クラス分布の偏差に基づく特徴的関連性を評価する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature selection is critical for network intrusion detection systems (NIDS) operating under high-dimensional, highly imbalanced traffic, as found in operational and defense networks. Traditional filter methods rank features using global statistics computed symmetrically across classes and thus fail to capture the asymmetry of intrusion detection, where attacks are best characterized as deviations from dominant benign traffic. We propose benign-anchored Classwise Mean Deviation (nCMD), a lightweight and interpretable method that scores feature relevance based on the deviation of attack-class distributions from the benign-class mean, rather than a globally biased reference. This approach aligns feature selection with the operational semantics of NIDS at no additional computational cost. Across four benchmark datasets (CICIDS2017, CICDDoS2019, NSL-KDD, and UNSW-NB15), multiple feature budgets, and three downstream classifiers, nCMD matches or exceeds classical filter baselines in macro-averaged F1-score. It achieves the best result on three of the four datasets and under every classifier, with the strongest improvements observed under tight feature budgets and severe class imbalance. These results support benign-anchored ranking as a scalable and interpretable preprocessing component for resource-constrained NIDS.
• Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)は,高次元かつ高不均衡なトラフィック下で動作し,運用ネットワークや防衛ネットワークで見られる特徴選択が重要である。 従来のフィルタ手法は、クラス間で対称に計算された大域統計を用いて特徴をランク付けするので、攻撃が支配的な良性トラフィックからの逸脱として最も特徴付けられる侵入検知の非対称性を捉えることができない。 我々は,グローバルバイアス参照ではなく,良性クラス平均からの攻撃クラス分布の偏差に基づいて特徴の関連性を評価する軽量かつ解釈可能な手法である良性アンコール型クラス平均偏差(nCMD)を提案する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。 4つのベンチマークデータセット(CICIDS2017、CICDDoS2019、NSL-KDD、UNSW-NB15)、複数の機能予算、3つのダウンストリーム分類器、nCMDマッチまたはマクロ平均F1スコアの古典的なフィルタベースラインを超える。 4つのデータセットのうち3つと各分類器の下で最高の結果が得られ、厳格な機能予算と厳密なクラス不均衡の下で観測された最も強力な改善が達成される。 これらの結果は、リソース制約されたNIDSのためのスケーラブルで解釈可能なプリプロセッシングコンポーネントとして、良性アンコールランキングをサポートする。

関連論文リスト

• CANMOT: Class-Aware Noise Modeling for Multi-Object Tracking in Autonomous Driving [1.2744523252873352]
  CANMOTは、KFベースの3DMOTのためのクラス認識およびオブジェクト指向ノイズモデリングフレームワークである。 実験により、クラス認識とオブジェクト指向ノイズモデリングにより、トラッキング性能が向上し、アイデンティティが大幅に低減されることが示された。 結果は,標準KFベースのMOTベースラインにおいて極めて過信感を示す。
  論文  参考訳（メタデータ） (2026-06-02T12:56:31Z)
• i-IF-Learn: Iterative Feature Selection and Unsupervised Learning for High-Dimensional Complex Data [5.761834753104483]
  i-IF-Learnは、機能選択とクラスタリングを共同で実行する教師なしのフレームワークである。 我々の中心となる革新は、擬似ラベル監視と教師なし信号とを効果的に組み合わせた適応的特徴選択統計である。 遺伝子マイクロアレイと単細胞RNA-seqデータセットの実験により、i-IF-Learnは古典的および深層クラスタリングベースラインを著しく超えることが示された。
  論文  参考訳（メタデータ） (2026-03-25T07:35:38Z)
• rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks [1.2891210250935143]
  ニューラルネットワークのトレーニングを最小分散推定問題として定式化する。 本稿では,$S$-divergencesの一般クラスに基づく頑健な学習アルゴリズムであるrSDNetを紹介する。 この結果から,不均一なデータ汚染下での頑健なニューラルネットワーク分類の原則的,効果的な枠組みとして,最小分散学習が注目された。
  論文  参考訳（メタデータ） (2026-03-18T11:47:46Z)
• Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection [0.22940141855172033]
  ネットワーク侵入システム(NIDS)は、不正な活動を特定・緩和することでネットワークの確保に不可欠である。 本研究では、NIDSの精度向上のための機械学習(ML)手法の適用について検討する。
  論文  参考訳（メタデータ） (2025-12-14T15:02:48Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。