論文の概要: Disentangling Multi-View Scanning in Mamba for Network Traffic Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.22829v1
• Date: Fri, 24 Jul 2026 18:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.887937
• Title: Disentangling Multi-View Scanning in Mamba for Network Traffic Anomaly Detection
• Title（参考訳）: ネットワークトラフィック異常検出のためのマンバにおけるマルチビュースキャンの遠距離化
• Abstract要約: 本研究では,新しい多視点マンバフレームワークであるDisenMambaを提案する。 DisenMambaは2段階の遠方体融合プロセスとしてマルチビュースキャンを再構成する。 実験はDisenMambaの有効性を示す。
• 参考スコア（独自算出の注目度）: 32.03740305102956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network Traffic Anomaly Detection (NTAD) is a critical task in cybersecurity, yet timely and accurate anomaly detection remains challenging. Mamba has emerged as a particularly promising backbone for NTAD due to its linear-time complexity for long-sequence modeling. It further incorporates a dedicated multi-view scanning mechanism to enhance detection precision through complementary contextual cues. However, we identify a previously overlooked structural deficiency in multi-view Mamba scanning for NTAD: redundancy accumulation. Specifically, distinct scanning branches capture substantial view-invariant information, which is repeatedly amplified during multi-view fusion; conversely, view-specific information is diluted or even suppressed, leading to representation homogenization and multi-view degradation. To address this problem, we propose DisenMamba, a novel disentangled multi-view Mamba framework. DisenMamba reformulates multi-view scanning as a two-stage disentangle-then-fuse process that explicitly separates view-invariant and view-specific components prior to fusion. This design prevents the invariant information accumulation while preserving complementary multi-view cues, yielding more discriminative representations for subtle traffic anomalies. Extensive experiments demonstrate the effectiveness of DisenMamba, establishing a new disentangled multi-view Mamba paradigm. Code is available at https://github.com/ikun0124/DisenMamba.
• Abstract（参考訳）: ネットワークトラフィック異常検出(NTAD)はサイバーセキュリティにおいて重要な課題であるが、タイムリーかつ正確な異常検出は依然として困難である。 MambaはNTADの特に有望なバックボーンとして登場した。 さらに、補完的な文脈的手がかりによる検出精度を高めるために、専用の多視点走査機構も組み込まれている。 しかし,NTADにおけるマルチビューマンバスキャンでは,これまで見過ごされていた構造的欠陥が同定された。 具体的には、異なる走査枝は、多視点融合中に繰り返し増幅される、実質的なビュー不変情報をキャプチャし、逆に、ビュー固有情報は希薄化または抑圧され、表現のホモジェナイゼーションとマルチビュー劣化をもたらす。 この問題に対処するため,新しい多視点マンバフレームワークであるDisenMambaを提案する。 DisenMambaは、マルチビュースキャンを2段階のディスタングル・アングル・フューズプロセスとして再構成し、フュージョンの前にビュー不変成分とビュー固有成分を明示的に分離する。 この設計は、補完的なマルチビューキューを保持しながら不変情報の蓄積を防止し、微妙なトラフィック異常に対してより識別的な表現をもたらす。 広汎な実験はDienMambaの有効性を実証し、新しい多視点Mambaパラダイムを確立した。 コードはhttps://github.com/ikun0124/DisenMamba.comで入手できる。

関連論文リスト

• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification [56.272623701773256]
  人物の再識別は知的監視システムにおいて重要な要素である。 制限を克服するため、分野はクロスモーダルパラダイムやマルチモーダルパラダイムへと急速に進化している。
  論文  参考訳（メタデータ） (2026-07-16T10:39:22Z)
• Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection [12.745823680495887]
  マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。 具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を提案する。 また, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。
  論文  参考訳（メタデータ） (2026-03-23T04:33:11Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• MambaPro: Multi-Modal Object Re-Identification with Mamba Aggregation and Synergistic Prompt [60.10555128510744]
  ReID(Multi-modal object Re-IDentification)は、異なるモダリティから補完的な画像情報を活用することで、特定のオブジェクトを検索することを目的としている。 近年、CLIPのような大規模事前学習モデルでは、従来のシングルモーダルオブジェクトReIDタスクで顕著なパフォーマンスを示している。 マルチモーダルオブジェクトReIDのための新しいフレームワークであるMambaProを紹介する。
  論文  参考訳（メタデータ） (2024-12-14T06:33:53Z)
• ForgerySleuth: Empowering Multimodal Large Language Models for Image Manipulation Detection [107.86009509291581]
  我々はForgerySleuthを提案し、包括的ヒント融合を行い、改ざんされた領域を示すセグメンテーション出力を生成する。 ForgeryAnalysisの有効性を実証し,ForgerySleuthが既存手法の堅牢性,一般化性,説明可能性において著しく優れていたことを示す。
  論文  参考訳（メタデータ） (2024-11-29T04:35:18Z)
• Detecting Misinformation in Multimedia Content through Cross-Modal Entity Consistency: A Dual Learning Approach [10.376378437321437]
  クロスモーダルなエンティティの整合性を利用して、ビデオコンテンツから誤情報を検出するためのマルチメディア誤情報検出フレームワークを提案する。 以上の結果から,MultiMDは最先端のベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-16T16:14:36Z)
• Multi-scale Bottleneck Transformer for Weakly Supervised Multimodal Violence Detection [9.145305176998447]
  弱教師付きマルチモーダル暴力検出は、複数のモダリティを活用することで暴力検出モデルを学ぶことを目的としている。 本稿では,情報冗長性,モダリティの不均衡,モダリティの非同期性といった課題に明示的に対処する,弱教師付きMVD法を提案する。 最大規模のXD-Violenceデータセットの実験により,提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-05-08T15:27:08Z)
• M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot Fine-grained Action Recognition [80.21796574234287]
  M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。 textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。 説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
  論文  参考訳（メタデータ） (2023-08-06T09:15:14Z)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• Sketched Multi-view Subspace Learning for Hyperspectral Anomalous Change Detection [12.719327447589345]
  異常変化検出のためのスケッチ付きマルチビューサブスペース学習モデルを提案する。 提案モデルでは,画像ペアからの主要な情報を保存し,計算複雑性を向上させる。 実験は、ベンチマークハイパースペクトルリモートセンシングデータセットと自然なハイパースペクトルデータセットで実施される。
  論文  参考訳（メタデータ） (2022-10-09T14:08:17Z)

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。