論文の概要: Improving Network Anomaly Detection via Choquet-Integral-Based Feature Aggregation

• arxiv url: http://arxiv.org/abs/2607.15389v1
• Date: Thu, 16 Jul 2026 18:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.681914
• Title: Improving Network Anomaly Detection via Choquet-Integral-Based Feature Aggregation
• Title（参考訳）: Choquet-Integral-based Feature Aggregationによるネットワーク異常検出の改善
• Abstract要約: 本研究では, 高次元ネットワークトラフィックデータにおける異常検出を改善するために, 一般化されたChoquet-Integrated特徴集約フレームワークについて検討する。 我々はRandom ForestとXGBoostsを用いて、様々な特徴サブセットサイズで生と集成の両方の特徴で訓練されたモデルを評価する。 その結果、Choquetベースのアグリゲーションは、機能の可用性に制限のあるシナリオで統計的に有意な利益(p 0.05$)を得ることが示された。
• 参考スコア（独自算出の注目度）: 0.6932239020477335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work investigates a generalized Choquet-integral-based feature aggregation framework to improve anomaly detection in high-dimensional network traffic data. The approach combines adaptive weighting with incremental feature selection to address feature redundancy. Using Random Forest and XGBoost classifiers, we evaluate models trained with both raw and Choquet-aggregated features under varying feature subset sizes. The proposed aggregation achieves up to $7\%$ higher accuracy while reducing data volume by $77.5\%$ (from $214$~MB to $48$~MB), without degrading precision and recall. Results averaged over multiple stratified repetitions indicate that Choquet-based aggregation yields statistically significant gains ($p < 0.05$) in scenarios with limited feature availability, highlighting its suitability for real-time intrusion detection under bandwidth and feature-availability constraints.
• Abstract（参考訳）: 本研究では, 高次元ネットワークトラフィックデータにおける異常検出を改善するために, 一般化されたChoquet-Integrated特徴集約フレームワークについて検討する。 このアプローチでは、適応重み付けと漸進的な特徴選択を組み合わせて、特徴の冗長性に対処する。 我々はRandom ForestとXGBoostの分類器を用いて、様々な特徴サブセットサイズで生とカケを集約した両方の特徴で訓練されたモデルを評価する。 提案されたアグリゲーションは、精度を最大7\%向上させ、データのボリュームを77.5\%($214$~MBから$48$~MB)削減し、精度とリコールを低下させることなく達成する。 複数の階層化された繰り返しで平均された結果は、Choquetベースのアグリゲーションが機能の可用性に制限のあるシナリオで統計的に有意な利益(p < 0.05$)を得ることを示している。

関連論文リスト

• FGC-Comp: Adaptive Neighbor-Grouped Attribute Completion for Graph-based Anomaly Detection [0.0]
  FGC-Compは軽量で分類器に依存しない、デプロイに優しい属性補完モジュールである。 各ノードの隣接ノードを3つのラベルベースグループに分割し、ラベル付きグループにグループ固有の変換を適用し、バイナリ分類目的でエンドツーエンドを訓練する。 2つの実世界の不正データセットの実験は、無視可能な計算オーバーヘッドによるアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2025-12-02T12:34:21Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Elastic Net based Feature Ranking and Selection [9.289190508925875]
  直感的なアイデアは、データ分割と弾性ネットベースの機能選択の複数回の終わりに置かれます。 選択された特徴の頻度に関係し、特徴の重要性を示す指標として周波数を使用する。 elastic netとの競争力や優れたパフォーマンスを実現し、より少ない機能の一貫した選択を実現します。
  論文  参考訳（メタデータ） (2020-12-30T00:08:36Z)
• Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
  本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。 実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-07T08:16:32Z)
• Self-Attentive Multi-Layer Aggregation with Feature Recalibration and Normalization for End-to-End Speaker Verification System [8.942112181408158]
  エンドツーエンド話者認証システムにおいて,特徴の校正と正規化を併用した自己注意型多層アグリゲーションを提案する。 VoxCeleb1評価データセットを用いた実験結果から,提案手法の性能は最先端モデルに匹敵することがわかった。
  論文  参考訳（メタデータ） (2020-07-27T08:10:46Z)
• Decentralised Learning with Random Features and Distributed Gradient Descent [39.00450514924611]
  本研究では,不規則な正規化とランダムな特徴を持つ分散グラディエントDescentの均質な環境下での一般化性能について検討する。 ステップサイズ,繰り返し回数,通信行列の逆スペクトルギャップ,ランダム特徴数の関数として,各エージェントの予測性能に高い確率境界を確立する。 本稿では,ランダムな特徴数,イテレーション数,サンプル数が予測性能に与える影響をシミュレーションで示す。
  論文  参考訳（メタデータ） (2020-07-01T09:55:09Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。