論文の概要: F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2607.04698v1
• Date: Mon, 06 Jul 2026 05:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.057961
• Title: F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
• Title（参考訳）: F-ACVAE:IoTネットワークにおけるプライバシ保護侵入検出のための適応型条件変分自動エンコーダ
• Authors: Mohammad Ansarimehr, Somayeh Changiz, Ehsan Baghishani, Ali Mousavi,
• Abstract要約: F-ACVAEはFederated Adaptive Adaptive Conditional Variational Autoencoderフレームワークである。 生データを共有せずに、分散IoTデバイス間のコラボレーティブモデルトレーニングを可能にする。 F-ACVAEは平均精度とマクロF1スコアを99%低減し、最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.8096299558132636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of Internet of things (IoT) devices has significantly expanded the cyber-attack surface, necessitating robust and privacy-preserving intrusion detection systems (IDS). However, centralized learning approaches often suffer from severe performance degradation due to high-dimensional traffic data, extreme class imbalance, and highly non-independent and identically distributed (non-IID) data across heterogeneous edge devices. To address these challenges, this paper proposes F-ACVAE, a federated adaptive conditional variational autoencoder framework that enables collaborative model training across distributed IoT devices without sharing raw data. F-ACVAE incorporates selective parameter aggregation, where local encoders remain private while globally shared components are synchronized to preserve discriminative latent structures. To further enhance stability under extreme non-IID settings and feature distribution shifts, we introduce a novel constrained momentum Gaussian aggregation (CMGA) strategy that combines update clamping with momentum-based smoothing to mitigate client drift. Extensive experiments on the N-BaIoT dataset demonstrate that F-ACVAE achieves an average accuracy and macro F1-score of 99\%, outperforming state-of-the-art baselines. Moreover, the selective aggregation mechanism reduces communication overhead by approximately 62\%, making the framework particularly suitable for resource-constrained IoT environments. These results highlight the effectiveness of F-ACVAE in achieving high detection performance while ensuring privacy preservation and communication efficiency.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスの急速な普及により、サイバー攻撃面が大幅に拡大し、堅牢でプライバシ保護の侵入検知システム(IDS)が必要になった。 しかし、集中学習アプローチは、高次元のトラフィックデータ、極端なクラス不均衡、および非独立で同一の(非IID)データを異種エッジデバイスに分散させることにより、厳しい性能劣化に悩まされることが多い。 これらの課題に対処するために,F-ACVAEを提案する。F-ACVAEは,原データを共有することなく,分散IoTデバイス間で協調的なモデルトレーニングを可能にする,適応型条件付き変分自動エンコーダフレームワークである。 F-ACVAEは選択パラメータアグリゲーションを組み、ローカルエンコーダはプライベートのままであり、グローバルに共有されるコンポーネントは、識別潜在構造を保存するために同期される。 極端な非IID設定と特徴分布シフトの下での安定性をさらに向上するため,更新クラッピングとモーメントベース平滑化を組み合わせた制約付きモーメントガウスアグリゲーション(CMGA)戦略を導入し,クライアントのドリフトを緩和する。 N-Ba IoTデータセットの大規模な実験により、F-ACVAEは平均精度とマクロF1スコアが99\%に達し、最先端のベースラインを上回っていることが示された。 さらに、選択的なアグリゲーション機構は、通信オーバーヘッドを約62\%削減し、特にリソース制約のIoT環境に適している。 これらの結果は,プライバシ保護と通信効率を確保しつつ,高い検出性能を実現する上でのF-ACVAEの有効性を強調した。

関連論文リスト

• FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
  ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。 現在の最先端のボット検出モデルは、主に独立して開発されている。 クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:13:41Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• FedZMG: Efficient Client-Side Optimization in Federated Learning [0.19116784879310023]
  Federated Zero Mean Gradients (FedZMG) はパラメータフリーのクライアントサイド最適化アルゴリズムである。 FedZMGは局所勾配をゼロ平均超平面に投影し、不均一なデータ分布に固有の「強度」あるいは「バイアス」シフトを効果的に中和する。
  論文  参考訳（メタデータ） (2026-02-20T17:45:28Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• FedCLF -- Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks [11.632031365965878]
  Federated Learning(FL)は、クライアントデータの代わりにトレーニング済みパラメータのみを共有することで、データのプライバシを保存する分散機械学習技術である。 本稿では,クライアントのサンプリング周波数を動的に調整するフィードバック制御機構と選択プロセスにおいて,キャリブレーション損失をユーティリティとして導入する,キャリブレーション損失とフィードバック制御を備えたFedCLFを提案する。
  論文  参考訳（メタデータ） (2025-09-25T04:51:38Z)
• 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)
• Generative AI-Powered Plugin for Robust Federated Learning in Heterogeneous IoT Networks [3.536605202672355]
  フェデレーション学習により、エッジデバイスは、データのローカライズを維持しながら、データのプライバシを維持しながら、グローバルモデルを協調的にトレーニングすることが可能になる。 我々は,AI強化データ拡張と均衡サンプリング戦略により,IIDからIDDへの非IIDデータ分布を近似する,フェデレーション最適化技術のための新しいプラグインを提案する。
  論文  参考訳（メタデータ） (2024-10-31T11:13:47Z)
• 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)

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。