Fugu-MT 論文翻訳(概要): Unlearning to Protect: A Distilled Reinforcement Learning Framework with Privacy-Preserving Feature Unlearning and XAI for IoT Security

論文の概要: Unlearning to Protect: A Distilled Reinforcement Learning Framework with Privacy-Preserving Feature Unlearning and XAI for IoT Security

arxiv url: http://arxiv.org/abs/2607.07635v1
Date: Wed, 08 Jul 2026 16:52:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.468605
Title: Unlearning to Protect: A Distilled Reinforcement Learning Framework with Privacy-Preserving Feature Unlearning and XAI for IoT Security
Title（参考訳）: Unlearning to Protect:IoTセキュリティのためのプライバシ保護機能UnlearningとXAIを備えた拡張強化学習フレームワーク
Abstract要約: ボットネットは、DDoS、データ盗難、IoTデバイス上のサービス破壊などの攻撃を可能にする、重大なサイバーセキュリティの脅威となる。既存のAIベースのソリューションは検出機能を改善するが、制限がある。軽量な強化学習駆動フレームワークであるDiRLUを提案する。
参考スコア（独自算出の注目度）: 0.5729426778193398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Botnets pose a significant cybersecurity threat, enabling attacks such as DDoS, data theft, and service disruptions on IoT devices. These devices often lack built-in botnet traffic filtering, leaving them highly exposed. Existing AI-based solutions improve detection capabilities but have limitations: (i) they are too heavy for IoT deployment, and (ii) they lack unlearning capabilities to forget sensitive or outdated features without retraining. To address these challenges, we propose DiRLU, a lightweight, reinforcement learning driven framework, while ensuring privacy by selectively unlearning sensitive or outdated features without requiring retraining. The framework leverages knowledge distillation to transfer knowledge from a teacher model into a lightweight student model, with both models trained using A2C. A post-hoc unlearning mechanism modifies weights to remove targeted features, while restored features show negligible performance loss, confirming reversibility. Unlike many benchmark models that used only 5% of the BoT-IoT dataset, this research leverages 25%, allowing us to develop a strong teacher model. Both the teacher and student models were trained using the A2C reinforcement learning algorithm, achieving impressive results, with the student model achieving 99.60% accuracy and a 99.80% F1 score. To enhance transparency, we integrated Explainable AI (XAI), particularly LIME, which helps interpret the model's decisions and identify the key features influencing its predictions. Moreover, DiRLU requires only 2,370 FLOPS, approximately 3.87x more efficient than the state-of-the-art model, highlighting its efficiency for edge deployment. DiRLU combines efficiency with privacy, aligning with GDPR standards (right to be forgotten) to provide practical and scalable IoT security solution.
Abstract（参考訳）: ボットネットは、DDoS、データ盗難、IoTデバイス上のサービス破壊などの攻撃を可能にする、重大なサイバーセキュリティの脅威となる。これらのデバイスはボットネットのトラフィックフィルタリングを内蔵していないことが多い。既存のAIベースのソリューションは検出機能を改善するが、制限がある。 (i)IoTデプロイメントには重すぎる、そして (II) 再トレーニングをせずに、センシティブな機能や時代遅れな機能を忘れる未学習の能力がない。これらの課題に対処するために、我々は軽量で強化学習駆動のフレームワークであるDiRLUを提案する。このフレームワークは知識蒸留を利用して教師モデルから軽量の学生モデルに知識を伝達する。ポストホックアンラーニングメカニズムは、対象の機能を削除するために重みを変更するが、復元された機能は無視可能なパフォーマンス損失を示し、可逆性を確認する。 BoT-IoTデータセットの5%しか使用していない多くのベンチマークモデルとは異なり、この研究は25%を活用しており、強力な教師モデルの開発を可能にしています。教師モデルと学生モデルの両方がA2C強化学習アルゴリズムを用いて訓練され、99.60%の精度と99.80%のF1スコアを得た。透明性を高めるために、説明可能なAI(XAI)、特にLIMEを統合しました。さらに、DiRLUは2,370 FLOPSしか必要とせず、最先端モデルよりも約3.87倍効率が高く、エッジ配置の効率性を強調している。 DiRLUは効率性とプライバシを結合し、GDPR標準(忘れてはならないが)と整合して、実用的でスケーラブルなIoTセキュリティソリューションを提供する。

関連論文リスト

Test-Time Unlearning via Sparse Autoencoder [55.4290003355764]
ARIAは,モデルウェイトをそのまま残して,世代が無視関連状態に入る場合にのみ,不要な知識へのアクセスをゲートするテスト時アンラーニング手法である。 ARIAは、思考モデルと命令モデルの両方にわたるウェイトベースベースラインに対する忘れがちなトレードオフを改善します。
論文参考訳（メタデータ） (2026-09-14T18:58:09Z)
Machine Unlearning for Class Removal through SISA-based Deep Neural Network Architectures [0.0]
機械学習は、完全に再トレーニングすることなく、モデルから特定のデータを削除することを目指している。提案するフレームワークは、強化されたリプレイ機構とゲーティングネットワークを備え、選択的なリプレー効率を向上させる。この調査結果は、プライバシに敏感なAIアプリケーションにデプロイするためのSISAベースのアンラーニングの可能性を強調している。
論文参考訳（メタデータ） (2026-04-30T12:47:50Z)
The Path of Self-Evolving Large Language Models: Achieving Data-Efficient Learning via Intrinsic Feedback [51.144727949988436]
強化学習(RL)は、大規模言語モデル(LLM)の推論能力を高める可能性を実証した。本研究では,最小限のデータを用いたLLによるLLMの改善について検討する。データ依存を最小限に抑えるため、自己認識に基礎を置いた2つの新しいメカニズムを導入する。
論文参考訳（メタデータ） (2025-10-03T06:32:10Z)
UniErase: Towards Balanced and Precise Unlearning in Language Models [69.04923022755547]
大規模言語モデル(LLM)は、古い情報問題に対処するために反復的な更新を必要とする。 UniEraseは、知識の未学習と能力保持の間の精度とバランスの取れたパフォーマンスを示す、新しいアンラーニングフレームワークである。
論文参考訳（メタデータ） (2025-05-21T15:53:28Z)
Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning [0.0]
侵入検知システム(IDS)は,異常なネットワーク行動や悪質な活動の検出・防止に不可欠である。本研究は,次元縮小のためのオートエンコーダの活用を含む,IDS性能向上のための6つの革新的なアプローチを実装した。我々はJetson Nano上で最初にモデルをデプロイし、バイナリ分類では0.185ms、マルチクラス分類では0.187msの推論時間を達成する。
論文参考訳（メタデータ） (2025-01-25T16:24:18Z)
Enhancing IoT Network Security through Adaptive Curriculum Learning and XAI [0.3958317527488535]
本研究では、LIMEを含む説明可能なAI(XAI)技術で強化されたスケーラブルで軽量なカリキュラム学習フレームワークを提案する。提案モデルでは,Curriculum Learningの各段階で使用されるニューラルネットワークアーキテクチャを用いて,短期的および長期的両方の依存関係を効率的に捕捉し,集中する。実験結果は、CIC-IoV-2024とCIC-APT-IIoT-2024データセットで98%、EDGE-IIoTで97%の精度を示している。
論文参考訳（メタデータ） (2025-01-20T17:32:01Z)
Edge Unlearning is Not "on Edge"! An Adaptive Exact Unlearning System on Resource-Constrained Devices [26.939025828011196]
忘れられる権利は、機械学習モデルがデータ所有者のデータと訓練されたモデルからの情報の消去を可能にすることを義務付ける。本稿では,ネットワークエッジ(CAUSE)における制約対応適応エクササイズ学習システムを提案する。
論文参考訳（メタデータ） (2024-10-14T03:28:09Z)
Towards Robust and Parameter-Efficient Knowledge Unlearning for LLMs [25.91643745340183]
大規模言語モデル(LLM)は、大量のテキストコーパスの事前学習を通じて、強い推論と記憶能力を示す。これはプライバシーと著作権侵害のリスクを生じさせ、効率的な機械学習手法の必要性を強調している。 LLMの堅牢かつ効率的なアンラーニングを可能にする新しいフレームワークであるLoKUを提案する。
論文参考訳（メタデータ） (2024-08-13T04:18:32Z)
Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
論文参考訳（メタデータ） (2024-07-25T07:09:35Z)
Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文参考訳（メタデータ） (2023-10-19T13:13:41Z)
Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening [51.34904967046097]
Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
論文参考訳（メタデータ） (2023-08-15T11:30:45Z)
RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文参考訳（メタデータ） (2022-07-12T19:34:47Z)

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。