論文の概要: Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination

• arxiv url: http://arxiv.org/abs/2607.25439v1
• Date: Tue, 28 Jul 2026 08:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.761354
• Title: Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination
• Title（参考訳）: 異常なサンプル汚染下での選択的集約を用いたフェデレーション学習によるロバストな教師なしネットワーク侵入検出
• Authors: Shohei Kamiguchi, Takayuki Nishio,
• Abstract要約: 教師なし学習アプローチは、ラベル付きデータセットへの依存を取り除くことによって、有望な方向を提供する。 このような汚染は検出性能を低下させ、堅牢な教師なしNIDS法の必要性を強調している。 本研究では, ラベルなし異常の存在下においても有効である, 異常検出(AD)のための堅牢なトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3218606066831913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network intrusion detection systems (NIDS) have become essential for Internet of Things (IoT) environments, as malware targeting IoT devices continues to evolve in sophistication. Unsupervised learning approaches offer a promising direction by removing the dependency on labeled datasets. However, the common assumption that training data are entirely clean is often violated in practice, particularly when data samples are collected directly from deployed network devices, where anomalies are likely to be present in the training datasets. Such contamination degrades detection performance and highlights the need for robust unsupervised NIDS methods capable of operating effectively under contaminated unlabeled training data. To address this issue, we propose a robust training methodology for anomaly detection (AD) that remains effective even in the presence of unlabeled anomalies. Our method consists of two primary components. First, we exploit a known limitation of federated learning (FL), namely its tendency to underrepresent minority data. By leveraging this characteristic, we attenuate the influence of anomalous data originating from a small number of compromised clients. Second, we introduce a selective aggregation mechanism during model aggregation, which quantifies the "distance" between local client models and a global reference. Specifically, we employ the Expectation-Maximization (EM) algorithm to detect and exclude client groups whose model updates significantly diverge from the majority. This selective aggregation ensures that anomalous updates do not compromise the global model. Experiments conducted on multiple NIDS datasets demonstrate that our method outperforms existing approaches in environments contaminated with anomalous data. Furthermore, the proposed method maintains its detection performance even as the proportion of anomalies increases.
• Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)はIoT(Internet of Things)環境にとって不可欠であり、IoTデバイスをターゲットとするマルウェアは洗練され続けている。 教師なし学習アプローチは、ラベル付きデータセットへの依存を取り除くことによって、有望な方向を提供する。 しかしながら、トレーニングデータが完全にクリーンであるという一般的な仮定は、特にトレーニングデータセットに異常が存在する可能性がある、デプロイされたネットワークデバイスから直接データサンプルが収集される場合、実際に違反されることが多い。 このような汚染は検出性能を低下させ、汚染された未ラベルのトレーニングデータの下で効果的に動作可能な堅牢な教師なしNIDS法の必要性を強調している。 この問題に対処するために,未ラベルの異常の存在下においても有効なAD(Anomaly Detection)のための堅牢なトレーニング手法を提案する。 本手法は2つの主成分からなる。 第一に、連邦学習(FL)の既知の制限、すなわちマイノリティデータの低表現傾向を利用する。 この特徴を利用して、少数の妥協されたクライアントから得られる異常データの影響を緩和する。 第2に,モデルアグリゲーション中の選択的なアグリゲーション機構を導入し,ローカルクライアントモデルとグローバル参照の「距離」を定量化する。 具体的には、予測最大化(EM)アルゴリズムを用いて、モデル更新が多数から著しく異なるクライアントグループを検出し、排除する。 この選択的なアグリゲーションにより、異常な更新がグローバルモデルに悪影響を及ぼさないことが保証される。 複数のNIDSデータセットで行った実験により, 異常なデータによって汚染された環境において, 従来の手法よりも優れていることが示された。 さらに,異常の比率が増大しても検出性能は維持される。

関連論文リスト

• An Efficient Unsupervised Federated Learning Approach for Anomaly Detection in Heterogeneous IoT Networks [1.1827914375779147]
  フェデレートラーニング(FL)はIoT(Internet of Things)のような分散環境に有効なパラダイムである 本稿では、2つの異なるデータセットから共有された特徴を活用することにより、異常検出を効率化する効率的な非教師付きFLフレームワークを提案する。 実世界のIoTデータセットを用いた実験により,提案手法は異常検出精度において従来のFL手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-02-27T17:39:04Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• EntropyStop: Unsupervised Deep Outlier Detection with Loss Entropy [19.154826741973277]
  ロスエントロピー (Loss Entropy) と呼ばれるゼロラベルのエントロピー距離を損失分布として提案する。 また、損失エントロピーが最大モデル検出能力を示す場合、トレーニングを停止する自動早期停止アルゴリズムEntropyStopを開発した。
  論文  参考訳（メタデータ） (2024-05-21T05:17:43Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。