論文の概要: Explainable Hybrid Feature Selection for Intrusion Detection in Internet of Medical Things Environments

• arxiv url: http://arxiv.org/abs/2608.00869v1
• Date: Sat, 01 Aug 2026 21:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.96595
• Title: Explainable Hybrid Feature Selection for Intrusion Detection in Internet of Medical Things Environments
• Title（参考訳）: 医療用モノのインターネットにおける侵入検知のための説明可能なハイブリッド特徴選択
• Abstract要約: 特徴選択による制約に対処する侵入検知システムを提案する。 CIC-IoMT 2024とCIC-IDS 2017では、機能領域を最大88%削減した。 この種のコンパクトで解釈可能な検出器は、リソース制限された医療ネットワークに展開するための実用的な候補である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Medical Things (IoMT) networks are hard to protect: devices are heterogeneous, computing resources are scarce, and traffic must be analyzed in real time. We present an intrusion detection system that addresses these constraints through feature selection. A Pearson correlation filter first removes redundant attributes; a hybrid strategy then combines model-based feature importance with SHAP attribution to pick a compact subset, on which we train Random Forest and LightGBM classifiers. SHAP and LIME explain what each retained feature contributes to the decisions. On CIC-IoMT 2024 and CIC-IDS 2017, the method cuts the feature space by up to 88% - from 40 to as few as 5 features - and accuracy and F1-score stay within a few points of models trained on all features. Compact, interpretable detectors of this kind are practical candidates for deployment on resource-limited medical networks.
• Abstract（参考訳）: デバイスは異種であり、コンピューティングリソースは乏しく、トラフィックはリアルタイムで分析されなければならない。 本稿では,これらの制約を特徴選択によって解決する侵入検知システムを提案する。 Pearson相関フィルタは、まず冗長な属性を除去し、モデルベースの特徴量とSHAP属性を結合してコンパクトなサブセットを選択し、ランダムフォレストとLightGBM分類器を訓練する。 SHAPとLIMEは、保持された各機能が決定に何をもたらすかを説明します。 CIC-IoMT 2024とCIC-IDS 2017では、この機能スペースを最大88%削減し(40から5まで)、正確性とF1スコアは、すべての機能でトレーニングされたモデルの数点に留まる。 この種のコンパクトで解釈可能な検出器は、リソース制限された医療ネットワークに展開するための実用的な候補である。

関連論文リスト

• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment [42.97456036889799]
  古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。 近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測する。 本稿では,患者ごとにひとつのコンパクトな特徴セットを予測できる,患者固有の特徴セット選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T20:12:41Z)
• Feature Selection for Network Intrusion Detection [3.7414804164475983]
  本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。 提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
  論文  参考訳（メタデータ） (2024-11-18T14:25:55Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• Automatic feature selection and weighting in molecular systems using Differentiable Information Imbalance [41.452380773977154]
  微分情報不均衡 (DII) は特徴集合間の情報内容をランク付けする自動手法である。 基底真理特徴空間における距離を用いて、DIIはこれらの関係を最もよく保存する特徴の低次元の部分集合を特定する。 DIIはスパース解を生成し、縮小された特徴空間の最適サイズを決定する。
  論文  参考訳（メタデータ） (2024-10-30T11:19:10Z)
• Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks [8.703026708558157]
  分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。 このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
  論文  参考訳（メタデータ） (2024-08-25T13:15:55Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection [21.104686670216445]
  ネットワーク侵入検出における特徴選択問題を3目的最適化問題としてモデル化するDR-MOFSを提案する。 ほとんどの場合、提案手法は従来の手法、すなわちより少ない特徴、より高い精度と検出率を達成できる。
  論文  参考訳（メタデータ） (2024-06-13T14:42:17Z)
• Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction [3.5889226512319903]
  モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。 機械学習に基づくIoTネットワークの侵入検出手法が開発されている。 本稿では,この2つの特徴量検出手法の総合的な比較を行った。
  論文  参考訳（メタデータ） (2023-07-04T08:48:01Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• M2IOSR: Maximal Mutual Information Open Set Recognition [47.1393314282815]
  オープンセット認識のための合理化アーキテクチャを用いた相互情報に基づく手法を提案する。 提案手法は, ベースラインの性能を著しく向上させ, 連続したベンチマークによる新しい最先端結果を実現する。
  論文  参考訳（メタデータ） (2021-08-05T05:08:12Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。