論文の概要: Applying JEPA-Style Predictive Learning to JA4-Derived Network Fingerprints

• arxiv url: http://arxiv.org/abs/2607.08465v1
• Date: Thu, 09 Jul 2026 13:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.549679
• Title: Applying JEPA-Style Predictive Learning to JA4-Derived Network Fingerprints
• Title（参考訳）: JA4-Derived Network FingerprintへのJEPA-Style予測学習の適用
• Abstract要約: I-JEPAとV-JEPAは、元の入力を再生するのではなく、遅延予測とターゲットエンコーダ出力とをマッチングして学習する。 私たちは、JA4DBとCIC-IDS-2017から引き出されたJA4H、JA4S、JA4XサブフィールドでトレーニングされたTransformerベースのモデルを構築します。 我々は、TLS、DNS、SSHのプロトコル分類に基づいて、凍結kNNプローブを用いて学習した表現を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: I-JEPA and V-JEPA learn by matching latent predictions to target encoder outputs rather than regenerating the original input, and this has worked well for images and video. We explore whether the same objective works for compact network fingerprints. We built JA4-JEPA, a Transformer-based model trained on JA4, JA4H, JA4S, and JA4X subfields drawn from JA4DB and CIC-IDS- 2017. The training data combines roughly 397K samples from both sources, though no single sample contains all four view families. We evaluated the learned representations with a frozen kNN probe on protocol-family classification across TLS, DNS, and SSH. On 39,416 heldout samples the model achieved a cosine similarity of 0.9899 and a kNN accuracy of 0.9220. These results indicate that JEPA-style predictive learning can produce useful embeddings from JA4-derived fingerprints, even with incomplete view overlap across sources. Keywords: JA4, network fingerprinting, JEPA, predictive representation learning, self-supervised learning
• Abstract（参考訳）: I-JEPAとV-JEPAは、元の入力を再生するのではなく、エンコーダ出力をターゲットとする潜在予測とマッチングすることで学習する。 この目的がネットワーク指紋のコンパクト化に有効かどうかを考察する。 JA4DBとCIC-IDS-2017から抽出されたJA4、JA4H、JA4S、JA4XサブフィールドでトレーニングされたトランスフォーマーベースのモデルであるJA4-JEPAを開発した。 トレーニングデータには2つのソースから約397Kのサンプルが組み合わさっているが、4つのビューファミリすべてを含むサンプルは1つもない。 我々は、TLS、DNS、SSHのプロトコル分類に基づいて、凍結kNNプローブを用いて学習した表現を評価した。 39,416サンプルでは、コサイン類似度は0.9899で、kNN精度は0.9220である。 これらの結果は、JEPAスタイルの予測学習が、ソース間の不完全なビューオーバーラップであっても、JA4由来の指紋から有用な埋め込みを生成することを示唆している。 キーワード:JA4、ネットワークフィンガープリント、JEPA、予測表現学習、自己教師型学習

関連論文リスト

• When Handshakes Tell the Truth: Detecting Web Bad Bots via TLS Fingerprints [0.0]
  普及するボットは、本物のユーザーであるふりをして、Captchasを解決し、人間のインタラクションパターンを模倣するかもしれない。 実際のユーザからボットを区別するために、JA4技術を使用したTLSフィンガープリント(TLS fingerprinting)を使用する。
  論文  参考訳（メタデータ） (2026-02-10T09:56:20Z)
• Next-Embedding Prediction Makes Strong Vision Learners [68.55755328850634]
  モデルをトレーニングして埋め込みを生成し、予測タスクを直接実行します。 Next-Embedding Predictive Autoregression (NEPA)はタスク間で強力な結果をもたらす。 埋め込みから生成する事前学習は、視覚的な自己教師型学習に代わる、シンプルでスケーラブルで、潜在的にモダリティに依存しない代替手段を提供する、と私たちは信じています。
  論文  参考訳（メタデータ） (2025-12-18T18:59:58Z)
• LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [53.247652209132376]
  JEPA(Joint-Embedding Predictive Architectures)は、有望な青写真を提供するが、実践的なガイダンスや理論の欠如がアドホックな研究開発につながっている。 我々はJEPAの包括的な理論を示し、それをbf LeJEPAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-11T18:21:55Z)
• Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density [51.15085346971361]
  JEPA(Joint Embedding Predictive Architectures)は、多くのダウンストリームタスクを最初から解決できる表現を学習する。 JEPAsには2つの目的がある: (i) 潜在空間予測項、すなわち、わずかに摂動されたサンプルの表現は、元のサンプルの表現から予測できなければならない、 (ii) 反崩壊項、すなわち、すべてのサンプルが同じ表現を持つべきではない、という2つの目的がある。
  論文  参考訳（メタデータ） (2025-10-07T14:06:30Z)
• CNN-JEPA: Self-Supervised Pretraining Convolutional Neural Networks Using Joint Embedding Predictive Architecture [5.0337106694127725]
  自己教師付き学習(SSL)は、大規模なニューラルネットワークの事前トレーニングにおいて重要なアプローチとなっている。 本稿では,CNNに組込み予測アーキテクチャを適用可能な新しいSSL方式であるCNN-JEPAを紹介する。 本手法では,マスク入力を処理するためのスパースCNNエンコーダ,奥行き分離可能な畳み込みを用いた完全畳み込み予測器,マスキング戦略の改善を取り入れた。
  論文  参考訳（メタデータ） (2024-08-14T12:48:37Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• DataComp: In search of the next generation of multimodal datasets [179.79323076587255]
  DataCompは、Common Crawlの128億の画像テキストペアの候補プールを中心にしたデータセット実験用のテストベッドである。 我々のベンチマークは、複数の計算スケールから成っている。 特に、最良のベースラインであるDataComp-1Bは、ImageNetでCLIP ViT-L/14をスクラッチから79.2%のゼロショット精度でトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2023-04-27T11:37:18Z)
• Deep Slap Fingerprint Segmentation for Juveniles and Adults [1.5411929268269822]
  成人例は9084例, 成人例は6706例, 4歳から12歳までの小児例は6706例であった。 NIST によるスラップ指紋分割システム NFSEG の成年者および若年者のスラップにおけるマッチング性能について検討した。
  論文  参考訳（メタデータ） (2021-10-06T04:48:23Z)
• EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection [14.99677459192122]
  指紋の生存度検出機構は、データセット内環境では良好に機能するが、クロスセンサーおよびクロスデータセット設定下では不幸にも失敗する。 指紋スプーフ検出器の一般化能力、堅牢性、相互運用性を高めるために、学習モデルはデータに適応する必要がある。 本稿では,熱心学習と遅延学習の中間に適応できる汎用モデルであるEaZy学習を提案する。
  論文  参考訳（メタデータ） (2021-03-03T06:40:19Z)
• ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
  ProxyFAUGはルールベースで近接性に基づく指紋増強法である。 このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
  論文  参考訳（メタデータ） (2021-02-04T15:59:30Z)

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。