論文の概要: Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks

• arxiv url: http://arxiv.org/abs/2607.00553v1
• Date: Wed, 01 Jul 2026 07:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.781746
• Title: Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks
• Title（参考訳）: IIoTネットワークにおける軽量侵入検出モデルにおけるクロスドメイン一般化失敗
• Abstract要約: 産業用IoT(Industrial Internet of Things)ネットワークにおける侵入検出のために、軽量機械学習モデルがますます提案されている。 報告されたほとんどの結果は、これらのモデルをトレーニングネットワーク内でのみ評価し、未確認のネットワーク上での挙動を検証しないままにしている。 この研究は、1つのIIoTデータセット上に4つの軽量アーキテクチャをトレーニングし、2つの構造的に異なるIIoTデータセット上に再トレーニングすることなく、それらを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lightweight machine learning models are increasingly proposed for intrusion detection in Industrial Internet of Things (IIoT) networks due to their suitability for resource-constrained edge deployment. Most reported results evaluate these models only within their training network, leaving behavior on unseen networks unverified. This study trains four lightweight architectures on one IIoT dataset and evaluates them, without retraining, on two structurally distinct IIoT datasets using a feature representation restricted to attributes available across all three sources. Explainability analysis across two top-performing models shows both rely overwhelmingly on coarse port-category features; the most influential category occurs in source-domain attack traffic at 96 to 435 times the rate in the two target domains, indicating that coarsening port resolution relocates rather than removes a documented shortcut. Evaluation under naturally imbalanced class distributions reveals a further effect: the evaluation protocol used can reverse which target network appears to pose the greater generalization challenge. Adversarial robustness and recovery through limited target-domain exposure are also assessed; robustness to adversarial perturbation is unrelated to cross-network generalization, and recovery through adaptation varies considerably by architecture. These findings suggest deployment readiness should be assessed using cross-network evaluation under realistic class distributions, rather than within-domain accuracy alone.
• Abstract（参考訳）: リソース制約のあるエッジデプロイメントに適しているため、産業用IoT(Internet of Things)ネットワークにおける侵入検出のために、軽量機械学習モデルがますます提案されている。 報告されたほとんどの結果は、これらのモデルをトレーニングネットワーク内でのみ評価し、未確認のネットワーク上での挙動を検証しないままにしている。 本研究は,1つのIIoTデータセット上に4つの軽量アーキテクチャをトレーニングし,これらを2つの構造的に異なるIIoTデータセット上で再トレーニングすることなく評価する。 2つのトップパフォーマンスモデルの説明可能性分析は、どちらも粗いポートカテゴリの特徴に大きく依存していることを示している。最も影響力のあるカテゴリは、ソースドメイン攻撃トラフィックにおいて、2つのターゲットドメインの96～435倍の速度で発生し、文書化されたショートカットを除去するのではなく、粗いポート解像度が移動していることを示している。 自然に不均衡なクラス分布による評価は、さらに効果が示される: 使用される評価プロトコルは、どのターゲットネットワークがより一般化の難しさをもたらすかを逆転することができる。 対象領域の限られた露光による対向的堅牢性や回復性も評価され、対向的摂動に対する頑健性は相互ネットワークの一般化とは無関係であり、適応による回復はアーキテクチャによって大きく異なる。 これらの結果は、ドメイン内精度のみでなく、現実的なクラス分布下でのクロスネットワーク評価を用いて、デプロイメントの準備性を評価するべきであることを示唆している。

関連論文リスト

• When In-Distribution Gains Fail: Evaluating Weak-to-Strong Reward Models under Preference Shift [72.0686608132772]
  ゼロショット分布シフト下でのW2S選好学習について検討した。 弱い選好ラベルで訓練された強い学生は、選好データセットを移動できなくとも、流通に成功していることがわかった。 本稿では、事前訓練された強モデルの表現空間からの過剰なドリフトを制約する単純で効果的な正規化器であるRepresentation Anchoring(Anchor)を提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:30:49Z)
• NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
  本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。 NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
  論文  参考訳（メタデータ） (2026-03-09T20:13:51Z)
• AI-Based Culvert-Sewer Inspection [0.0]
  カルバートと下水道管は排水システムの重要な構成要素であり、その故障は公共の安全と環境に深刻なリスクをもたらす可能性がある。 この論文では、欠陥セグメント化を大幅に強化し、データの不足を処理する3つの方法を提案する。 ForTRESSは、奥行き分離可能な畳み込み、適応型コルモゴロフ・アルノルドネットワーク(KAN)、マルチスケールアテンション機構を組み合わせた新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-01-21T16:33:33Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• Exploring the Relationship between Samples and Masks for Robust Defect Localization [1.90365714903665]
  本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。 欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。 その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
  論文  参考訳（メタデータ） (2023-06-19T06:41:19Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Adversarial Robustness via Fisher-Rao Regularization [33.134075068748984]
  適応的堅牢性は、機械学習への関心の高まりのトピックとなっている。 火はカテゴリーのクロスエントロピー損失に対する新しいフィッシャー・ラオ正規化である。
  論文  参考訳（メタデータ） (2021-06-12T04:12:58Z)
• 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)

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。