論文の概要: What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule

• arxiv url: http://arxiv.org/abs/2608.02821v1
• Date: Mon, 03 Aug 2026 19:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 07:04:20.678488
• Title: What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule
• Title（参考訳）: 検出者が見るもの:決定規則から独立してCPS異常検出器を評価する
• Abstract要約: 異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
• 参考スコア（独自算出の注目度）: 6.145872664954402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detectors are often the last line of defense for cyber-physical systems (CPS). But detectors built in very different ways, from deep neural networks to invariant templates, are usually compared using precision, recall, or F1 at a single operating point. These scores mix two separate things: how well the detector represents the physical process, and how well its alarm threshold is set. We therefore treat a CPS anomaly detector as a two-stage pipeline: Stage 1 maps observations to residuals, and Stage 2 maps residuals to alarms. Instead of scoring only the final alarms, we evaluate Stage 1 directly using normalized residual energy, which has an exact connection to the Kullback-Leibler divergence from the trained-normal reference distribution. Because it does not depend on a specific alarm rule, it can separately measure attack separation, stability across the train-test gap, and the compactness with which a detector encodes the plant. Without any per-detector tuning, we apply this evaluation to five detectors -- GDN, FuSAGNet, TranAD, NSIBF, and GeCo -- across three CPS benchmarks: SWaT, WADI, and HAI. Although the detectors have similar ROC-AUC values on SWaT, their performance differs by more than an order of magnitude at a common false-alarm rate. Rankings also change across testbeds: TranAD ranks first on HAI but last on SWaT, while NSIBF ranks first on WADI but last on HAI. On WADI, localized attacks can evade detectors that pool evidence across all channels, helping explain why NSIBF outperforms methods that do well on other benchmarks. These results show that detection failure can come from different sources: a weak representation, poor threshold calibration, or an attack with little physical effect. A decision-rule-free analysis helps separate these causes.
• Abstract（参考訳）: 異常検知器は、しばしばサイバー物理システム(CPS)の最後の防御線である。 しかし、ディープニューラルネットワークから不変テンプレートまで、非常に異なる方法で構築された検出器は通常、単一の操作ポイントでの精度、リコール、F1を使用して比較される。 これらのスコアは、検出器が物理的過程をどれだけうまく表現しているか、そしてアラーム閾値がどの程度設定されているかという、2つの異なる点を混ぜています。 そこで我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 最終アラームのみを採点する代わりに、トレーニングされた正規基準分布からクルバック・リーブラーの発散と正確な関係を持つ正規化残差エネルギーを用いてステージ1を直接評価する。 特定のアラーム規則に依存しないため、攻撃分離、列車とテストの間のギャップの安定性、検出器が植物をコードするコンパクトさを別々に測定することができる。 この評価は、SWAT、WADI、HAIの3つのCPSベンチマークにおいて、GDN、FuSAGNet、TranAD、NSIBF、GeCoの5つの検出器に適用する。 検出器はSWaTに類似のROC-AUC値を持つが、それらの性能は共通の偽アラームレートで1桁以上異なる。 TranADはHAIで1位、SWATで1位、NSIBFはWADIで1位、HAIで2位である。 WADIでは、ローカライズドアタックは、すべてのチャネルにエビデンスをプールする検出器を避け、NSIBFが他のベンチマークでうまく機能するメソッドより優れている理由を説明するのに役立つ。 これらの結果は、検出障害は、弱い表現、低いしきい値の校正、物理的効果の少ない攻撃など、異なるソースから発生する可能性があることを示している。 決定ルールのない分析は、これらの原因を分離するのに役立ちます。

関連論文リスト

• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
  本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。 複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
  論文  参考訳（メタデータ） (2026-06-19T06:04:17Z)
• Token-Level Generalization in LoRA Adapter Backdoors: Attack Characterization and Behavioral Detection [0.0]
  我々はLoRAをトレーニングデータ中毒によって確実にバックドアできることを示す。 攻撃はランクとともに単調にスケールし、選択されたトリガーアンカートークンはトリガー依存とベースモデル依存の両方である。 行動検出はサプライチェーンスキャンの操作可能な結果である。
  論文  参考訳（メタデータ） (2026-05-28T16:32:25Z)
• Log-Likelihood, Simpson's Paradox, and the Detection of Machine-Generated Text [0.039998518782208774]
  本研究では,人間と機械のテキストを区別するトークンレベルの信号が,検出モデルの隠れた空間にわたって一様でないことを示す。 ベイズ決定理論に基づく学習的局所校正ステップを導入する。 この単一の介入は、すべてのベースライン検出器と、私たちが考慮しているすべてのデータセット間の検出性能を劇的に、一貫して改善します。
  論文  参考訳（メタデータ） (2026-05-07T13:59:07Z)
• Knowledge-Guided Failure Prediction: Detecting When Object Detectors Miss Safety-Critical Objects [0.764671395172401]
  表現に基づく監視フレームワークは、実行時に検出される異常として、ミスセーフクリティカルな検出を扱う。 重要な性質は、検出器がその能力の外で動作しているか、視覚基盤モデル自体が新しい入力に遭遇している場合、2つの埋め込みは分岐するということである。 COCO人物検出では、KGFPを選択的予測ゲートとして適用すると、FPR(False Positive Rate)の5%で64.3%から84.5%まで、受理画像中の人物のリコールが増加する。 私たちのコード、モデル、機能はhttps://gitlab.cc-asp.fraunhofer.de/iosb_public/KGFPで公開されています。
  論文  参考訳（メタデータ） (2026-03-26T14:38:20Z)
• ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection [1.7751300245073598]
  時系列異常検出器は、制約のない実行下で、ワークステーションクラスのハードウェアで一般的に比較される。 しかし、車内監視は、限られたCPU並列性の下で予測可能なレイテンシと安定した動作を必要とする。 本稿では,プロプライエタリな自動車テレメトリに関する実証的研究として,デプロイ指向評価プロトコルであるECoLADを提案する。
  論文  参考訳（メタデータ） (2026-03-11T16:08:56Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Probabilistic two-stage detection [83.9604523643406]
  現状の1段階検出器から2段階の確率的検出器を構築する方法を示す。 その結果、検出器は1段と2段の両方の前駆体よりも高速で精度が高い。
  論文  参考訳（メタデータ） (2021-03-12T18:56:17Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)

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。