論文の概要: Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection

• arxiv url: http://arxiv.org/abs/2607.16348v1
• Date: Fri, 17 Jul 2026 00:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.116771
• Title: Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection
• Title（参考訳）: 逆ロバスト侵入検出のための境界探索型GAN拡張タブトランス
• Abstract要約: 本研究では,BGAN(Bundary-Seeking Generative Adrial Network)を用いて,フローベース侵入検知のためのTabTransformerフレームワークを提案する。 BGANは、データの不均衡を軽減するために合成マイノリティクラスサンプルを生成し、対逆サンプルを生成し、モデルリバーサを評価することによって二重目的に機能する。 実験の結果、BGANはTabTransformerのMacro-F1スコアを82.96%から86.50%に改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based intrusion detection systems (IDSs) often suffer from class imbalance and vulnerability to adversarial attacks, leading to degraded detection performance and reduced robustness. This study proposes a TabTransformer framework augmented by the Boundary-Seeking Generative Adversarial Network (BGAN) for flow-based intrusion detection using the CICIDS2017 dataset. BGAN serves a dual purpose by generating synthetic minority-class samples to mitigate data imbalance and producing adversarial samples to evaluate model robustness. Experimental results demonstrate that BGAN augmentation improves TabTransformer's Macro-F1 score from 82.96% to 86.50%, with the largest class-wise improvement observed for Web_Attack (F1 score: 0.29 to 0.61). Robustness evaluation shows that all non-augmented models experienced a 100% Performance Drop Rate (PDR) under adversarial testing, whereas all BGAN-augmented models achieved negative PDR values, indicating improved resilience. Furthermore, the augmented TabTransformer maintained stable and low False Triggered Rate (FTR) values (1.51%-2.92%) across all noise levels, compared with the BGAN-augmented Decision Tree, which reached 49.09% under benign perturbations. These findings demonstrate that BGAN consistently enhances both class balance and adversarial robustness, while the proposed BGAN-TabTransformer framework provides an effective and adaptive intrusion detection solution for adversarial network environments.
• Abstract（参考訳）: 機械学習ベースの侵入検知システム(IDS)は、しばしばクラス不均衡と敵攻撃の脆弱性に悩まされ、検出性能が低下し、堅牢性が低下する。 本研究では,CICIDS2017データセットを用いたフローベース侵入検出のためのBGAN(Boundary-Seeking Generative Adversarial Network)によって強化されたTabTransformerフレームワークを提案する。 BGANは、データの不均衡を軽減するために合成マイノリティクラスサンプルを生成し、モデルロバスト性を評価するために敵対的なサンプルを生成することによって、二重目的に機能する。 実験の結果、BGANはTabTransformerのMacro-F1スコアを82.96%から86.50%に改善し、Web_Attack(F1スコア:0.29から0.61)のクラスレベルでの最大の改善が見られた。 ロバストネス評価は、全ての非増強モデルが対向試験において100%性能低下率(PDR)を経験し、一方、全てのBGAN増強モデルは負のPDR値を達成し、レジリエンスが向上したことを示している。 さらに、拡張されたTabTransformerは全てのノイズレベルにわたって安定かつ低いFTR(False Triggered Rate)値(1.51%-2.92%)を維持した。 これらの結果から,BGANはクラスバランスと対向ロバスト性の両方を一貫して向上し,BGAN-TabTransformerフレームワークは対向ネットワーク環境に対して効果的かつ適応的な侵入検出ソリューションを提供することが示された。

関連論文リスト

• IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss [7.2201008524483585]
  ブロードラーニングシステムは、特徴ノードと拡張ノードを通じてネットワーク幅を拡大する効率的なランダム化学習モデルである。 しかし、その標準の最小二乗訓練は、2つの異なる方法で脆弱である: (i) ノイズ、外れ値、または破損したラベルによって引き起こされる大きな残留物が目的を支配でき、 (ii) 全てのサンプルは、曖昧または局所的に矛盾している地域にある場合でも、等しく信頼できるものとして扱われる。 本稿では,直観的ファジィウェーブブロードラーニングシステムIFW-BLSを提案する。
  論文  参考訳（メタデータ） (2026-09-02T10:42:24Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Few-Shot Hyperspectral Aphid Detection via FastGAN Synthetic Data Generation, Transformer-Based Classification and Explainable AI [0.0]
  FastGANは、健康およびアフィドに感染したサンプルを含むファバ豆葉の超スペクトルSIDデータセットを増強するために用いられた。 訓練された発電機は1万枚の合成画像を作成し、実際の試料の構造とスペクトル特性を保存した。
  論文  参考訳（メタデータ） (2026-06-19T09:45:54Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Reliable Self-Harm Risk Screening via Adaptive Multi-Agent LLM Systems [6.14481021961242]
  有向非巡回グラフ(DAG)として構造化されたマルチエージェントパイプラインの統計的枠組みを提案する。 我々は各エージェントをカテゴリー決定としてモデル化し、より厳密なエージェントレベルのパフォーマンス信頼境界を導入する。 本研究では,2つのラベル付きデータセットを用いた行動保健システムの評価を行った。
  論文  参考訳（メタデータ） (2026-04-24T01:52:54Z)
• GMA-SAWGAN-GP: A Novel Data Generative Framework to Enhance IDS Detection Performance [0.2530367162206854]
  侵入検知システム(IDS)は、しばしば既知の攻撃に校正され、未知の脅威に悪影響を及ぼす。 本稿では,GMA-SAWGAN-GPを提案する。
  論文  参考訳（メタデータ） (2026-03-30T14:35:23Z)
• ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
  IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。 本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。 時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
  論文  参考訳（メタデータ） (2026-02-26T23:20:42Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Towards Overcoming False Positives in Visual Relationship Detection [95.15011997876606]
  視覚的関係検出(VRD)における偽陽性率の高い原因について検討する。 本稿では,偽陽性の影響を軽減する堅牢なVRDフレームワークとして,Spatially-Aware Balanced negative pRoposal sAmpling(SABRA)を提案する。
  論文  参考訳（メタデータ） (2020-12-23T06:28:00Z)

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。