論文の概要: Evaluation of AutoML Frameworks for IDS under Imbalanced Data Conditions of the NSL-KDD Dataset

• arxiv url: http://arxiv.org/abs/2606.12611v1
• Date: Wed, 10 Jun 2026 19:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.423458
• Title: Evaluation of AutoML Frameworks for IDS under Imbalanced Data Conditions of the NSL-KDD Dataset
• Title（参考訳）: NSL-KDDデータセットの不均衡データ条件下におけるIDSの自動MLフレームワークの評価
• Authors: Wiliane Carolina Silva, Evandro César Vilas Boas, Felipe A. P. de Figueiredo,
• Abstract要約: 本研究では、ネットワーク侵入検知のための自動機械学習(AutoML)フレームワークの性能に対する重大クラス不均衡の影響について検討する。 我々は、R2LやU2Rのような、表現力の低い攻撃を含む、元の5クラス分布を保存します。 9つのオープンソースAutoMLフレームワークは、統一的で再現可能な実験プロトコルの下で分析された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates the impact of severe class imbalance on the performance of automated machine learning (AutoML) frameworks for multiclass network intrusion detection using the NSL-KDD dataset. Unlike previous studies that simplify the problem through binary classification or minority-class removal, we preserve the original five-class distribution, including highly underrepresented attacks such as R2L and U2R, enabling a realistic evaluation of imbalance-sensitive learning behavior. Nine open-source AutoML frameworks were analyzed under a unified and reproducible experimental protocol, considering differences in architectural design, ensemble strategies, validation procedures, hyperparameter optimization, and imbalance-handling mechanisms. The results demonstrate that frameworks incorporating ensemble learning and imbalance-aware optimization achieve better minority-class discrimination. PyCaret obtained the best overall performance, reaching 66\% macro-F1, followed by AutoGluon with 55\%, whereas frameworks lacking native balancing support exhibited significant degradation in minority-class detection capability. The analysis further shows that accuracy-oriented optimization alone is insufficient for highly imbalanced IDS scenarios, since high-weighted metrics may coexist with poor generalization on rare attack categories. As a contribution, this work establishes a standardized benchmark for AutoML-based intrusion detection under severe multiclass imbalance, highlighting current architectural limitations and the need for native integration of imbalance-aware optimization, resampling, and stratified evaluation strategies into automated learning pipelines. The source code is publicly available.
• Abstract（参考訳）: 本研究は,NSL-KDDデータセットを用いたマルチクラスネットワーク侵入検出のための自動機械学習(AutoML)フレームワークの性能に及ぼす重大クラス不均衡の影響について検討する。 従来の二分分類やマイノリティークラス除去による問題を単純化した研究とは異なり、R2LやU2Rのような非表現の少ない攻撃を含む元の5クラス分布を保存し、非バランスな学習行動の現実的な評価を可能にする。 9つのオープンソースAutoMLフレームワークは、アーキテクチャ設計、アンサンブル戦略、検証手順、ハイパーパラメータ最適化、不均衡処理機構の違いを考慮して、統一的で再現可能な実験プロトコルの下で分析された。 その結果,アンサンブル学習とアンサンブル認識の最適化を取り入れたフレームワークが,マイノリティ階級の差別を改善できることが示唆された。 PyCaretは66\%のマクロF1に、AutoGluonは55\%に、ネイティブバランシングサポートを欠いたフレームワークはマイノリティクラスの検出能力を著しく低下させた。 この分析は、高度に不均衡なIDSシナリオでは、精度指向の最適化だけでは不十分であることを示している。 この研究は、重度のマルチクラス不均衡の下でAutoMLベースの侵入検知のための標準ベンチマークを確立し、現在のアーキテクチャ上の制限と、不均衡を意識した最適化、再サンプリング、階層化された評価戦略を自動学習パイプラインにネイティブに統合する必要性を強調している。 ソースコードは公開されている。

関連論文リスト

• Hybrid Imbalanced Regression Through Unified Data-Level and Algorithm-Level Balancing [1.3700362496838856]
  不均衡学習は機械学習において重要な課題であり、未表現のターゲット値がバイアスモデルになり、稀だが重要なケースで予測性能が低下する可能性がある。 我々は,データレベルのバランス戦略とアルゴリズムレベルのバランス戦略の両方を回帰型パイプラインに統合する統合ハイブリッドフレームワークを提案する。 ベンチマークデータセットによる実験結果から,提案フレームワークは独立回帰器や既存不均衡回帰手法と比較して予測性能を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-05-31T13:13:10Z)
• AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
  メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。 本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
  論文  参考訳（メタデータ） (2026-04-01T15:17:45Z)
• White-Basilisk: A Hybrid Model for Code Vulnerability Detection [45.03594130075282]
  我々は、優れた性能を示す脆弱性検出の新しいアプローチであるWhite-Basiliskを紹介する。 White-Basiliskは、パラメータ数2億の脆弱性検出タスクで結果を得る。 この研究は、コードセキュリティにおける新しいベンチマークを確立し、コンパクトで効率的に設計されたモデルが、特定のタスクにおいてより大きなベンチマークよりも優れているという実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-07-11T12:39:25Z)
• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Synthetic Code Surgery: Repairing Bugs and Vulnerabilities with LLMs and Synthetic Data [0.0]
  本稿では,Large Language Models(LLMs)を用いた合成データ生成によるAPR(Automated Program repair)の向上手法を提案する。 提案手法は, 合成試料生成と厳密な品質評価という2段階のプロセスを通じて, この制限に対処する。 VulRepairテストセットデータセットの実験評価では、完全予測率の統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2025-05-12T09:14:20Z)
• Adaptive Cyber-Attack Detection in IIoT Using Attention-Based LSTM-CNN Models [0.23408308015481666]
  本研究では,ハイブリッドLSTM畳み込みニューラルネットワーク(CNN)のアーキテクチャに基づく高度な侵入検出(IDS)の開発と評価を行う。 本研究は二項分類と多項分類という2つの重要な分類課題に焦点を当てている。 バイナリ分類では、モデルはほぼ完全な精度を達成し、マルチクラス分類では、高い精度 (99.04%) を維持し、様々な攻撃タイプを0.0220%の損失値で効果的に分類した。
  論文  参考訳（メタデータ） (2025-01-21T20:52:23Z)
• Group & Reweight: A Novel Cost-Sensitive Approach to Mitigating Class Imbalance in Network Traffic Classification [8.38878965125967]
  本稿では,厳密なクラス不均衡の存在下でのネットワークトラフィックの分類に焦点をあてる。 クラス不均衡を軽減するためのグループ・アンド・リウェイト戦略を設計する。 その結果,本手法はクラス不均衡の負の効果を抑えるだけでなく,予測における総合的な性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-09-28T02:45:14Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。