論文の概要: AdaptoNet: Modular Foundation-Adaptive Neural Networks for Cyber-Physical Attack Detection in Power Grids

• arxiv url: http://arxiv.org/abs/2608.01375v1
• Date: Sun, 02 Aug 2026 16:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.188181
• Title: AdaptoNet: Modular Foundation-Adaptive Neural Networks for Cyber-Physical Attack Detection in Power Grids
• Title（参考訳）: AdaptoNet: 電力グリッドにおけるサイバー物理攻撃検出のためのモジュールファンデーション適応ニューラルネットワーク
• Authors: Anissa Elias, Jennifer Rogers, Hui Lin, Yan, Sun,
• Abstract要約: AdaptoNetは、条件制御による測定可用性に適応するモジュール型ニューラルネットワークである。 アダプトネットはF1を12%未満から81%以上まで回復し, ほぼ7倍に改善し, 89%～99%のベースラインに接近した。
• 参考スコア（独自算出の注目度）: 3.050263939549898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cyber attacks on the power grid combine physical disruptions with compromised data to destabilize cyber-physical systems. We demonstrate that data denial attacks, where adversaries block measurements in a targeted region while triggering a line outage, reduce detection performance by more than 86\%, rendering standard data-driven methods ineffective. We propose AdaptoNet, a modular neural network that adapts to measurement availability through conditional controls. AdaptoNet pairs a frozen foundational module trained on complete data with a trainable adaptive module, conditioned on a binary measurement-availability vector, enabling the model to distinguish between denied and anomalous data without retraining the foundational module. Evaluated across four IEEE test systems (30-, 39-, 57-, and 118-bus) under in-region attacks blocking up to 20% of measurements, AdaptoNet recovers F1 from below 12\% to above 81\%, an approximate sevenfold improvement approaching the 89%-99% baseline with complete measurements.
• Abstract（参考訳）: 電力網に対するサイバー攻撃は、物理的破壊と妥協されたデータを組み合わせてサイバー物理システムを不安定にする。 本研究では,データデニアル攻撃において,行の停止を誘導しながら対象領域で測定をブロックし,検出性能を86%以上低減し,標準データ駆動手法を非効率にレンダリングすることを示した。 本稿では,条件制御による計測に適応するモジュール型ニューラルネットワークAdaptoNetを提案する。 AdaptoNetは、トレーニング可能な適応モジュールでトレーニングされた完全なデータに基づいてトレーニングされたフリーズされた基礎モジュールをバイナリの測定可用性ベクタに条件付けすることで、基本モジュールを再トレーニングすることなく、否定されたデータと異常なデータを区別することができる。 4つのIEEEテストシステム(30-、39-、57-、および118-bus)で測定の20%をブロックし、AdaptoNetはF1を12-%以下から81-%以上まで回収する。

関連論文リスト

• Learning Without Adversarial Training: A Physics-Informed Neural Network for Secure Power System State Estimation under False Data Injection Attacks [2.7282323019364907]
  電力系統状態推定(PSSE)のためのPINNモデルを提案する。 ステルス制約AC偽データインジェクション攻撃(FDIAs)に対する推定プロセスの保護 その結果,既存のPINN変種よりも精度と安定性が向上した。
  論文  参考訳（メタデータ） (2026-04-03T21:40:09Z)
• Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
  本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。 また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。 AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-01-29T09:16:05Z)
• RepuNet: A Reputation System for Mitigating Malicious Clients in DFL [2.3999111269325266]
  Decentralized Federated Learning (DFL)は、ノードが中央サーバなしでモデルを協調的にトレーニングすることを可能にする。 悪意のあるノードは、この自律性を利用して、破損したモデルを送信したり、モデルの提出を遅らせたり、過剰なメッセージでネットワークを浸水させたりすることができる。 本稿では,DFLにおける脅威を分類し,ノードの挙動を動的に評価する分散評価システムであるRepuNetを提案する。
  論文  参考訳（メタデータ） (2025-06-24T10:46:48Z)
• A Temporal Convolutional Network-based Approach for Network Intrusion Detection [0.0]
  本研究では,ネットワークトラフィックデータの依存関係をキャプチャするために,拡張畳み込みを伴う残差ブロックアーキテクチャを特徴とする時間畳み込みネットワーク(TCN)モデルを提案する。 提案したモデルは96.72%の精度と0.0688の損失を達成し、1D CNN、CNN-LSTM、CNN-GRU、CNN-BiLSTM、CNN-GRU-LSTMモデルを上回った。
  論文  参考訳（メタデータ） (2024-12-23T10:19:29Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:00:05Z)
• Audio Spoofing Verification using Deep Convolutional Neural Networks by Transfer Learning [0.0]
  本稿では,スプーフィング攻撃を検出するために,ディープ畳み込みニューラルネットワークに基づく音声分類器を提案する。 提案手法は,メル周波数スケールにおけるパワースペクトル密度の音響的時間周波数表現を用いた。 我々は、開発において0.9056%、論理アクセスシナリオの評価データセットにおいて5.32%の誤差率(EER)を達成した。
  論文  参考訳（メタデータ） (2020-08-08T07:14:40Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。