論文の概要: FedTransKD-IDS: Robust Federated Transfer Learning with Knowledge Distillation for Intrusion Detection in IoT

• arxiv url: http://arxiv.org/abs/2608.06447v1
• Date: Thu, 06 Aug 2026 16:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.255595
• Title: FedTransKD-IDS: Robust Federated Transfer Learning with Knowledge Distillation for Intrusion Detection in IoT
• Title（参考訳）: FedTransKD-IDS:IoTにおける侵入検知のための知識蒸留によるロバストなフェデレーショントランスファー学習
• Abstract要約: 本稿では,システムの安定性と効率性を両立させるFedTransKD-IDSフレームワークを紹介する。 このフレームワーク内では、協力的に訓練されたグローバル教師モデルは、特徴抽出コンポーネントを軽量学生モデルに転送する。 不均一データセットの実験的評価はピーク検出性能を示し、精度は99.18%、リコールは99.99%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern distributed network environments, particularly in Internet of Things infrastructures and 5G networks, stringent privacy preservation and scalability requirements have created significant challenges for intrusion detection systems. Although federated learning preserves privacy by preventing data centralization, its efficiency and stability is considerably degraded under severe statistical heterogeneity and resource constraints of edge nodes. To address these limitations, this study introduces the FedTransKD-IDS framework, which enhances both system stability and efficiency by integrating robust aggregation based on the geometric mean, federated transfer learning, and knowledge distillation. Within this framework, the collaboratively trained global teacher model transfers its feature extraction component to lightweight student models. Experimental evaluation on heterogeneous datasets demonstrates a peak detection performance, achieving an accuracy of 99. 18% and a recall of 99. 99%, thereby indicating the effectiveness of structured knowledge transfer in federated environments.
• Abstract（参考訳）: 現代の分散ネットワーク環境、特にIoTインフラストラクチャや5Gネットワークでは、厳密なプライバシー保護とスケーラビリティ要件が侵入検知システムに大きな課題を生み出している。 フェデレーション学習はデータの集中化を防止してプライバシを保存するが、その効率性と安定性は、エッジノードの厳しい統計的不均一性とリソース制約の下で著しく低下する。 これらの制約に対処するため,FedTransKD-IDSフレームワークを導入し,幾何学的平均,フェデレートされた伝達学習,知識蒸留に基づくロバストアグリゲーションを統合することにより,システムの安定性と効率を両立させる。 このフレームワーク内では、協力的に訓練されたグローバル教師モデルは、特徴抽出コンポーネントを軽量学生モデルに転送する。 不均一データセットに対する実験評価はピーク検出性能を示し,精度は99。 18%,リコール99。 99%であり, 連合環境における構造的知識伝達の有効性が示唆された。

関連論文リスト

• TITAN-FedAnil+: Trust-Based Adaptive Blockchain Federated Learning for Resource-Constrained Intelligent Enterprises [0.3499870393443268]
  本稿では,知的企業におけるブロックチェーンを活用したフェデレーション学習のためのトラストベース適応ネットワークであるTITAN-FedAnil+を提案する。 提案フレームワークは、アフィニティ伝搬に基づく適応クラスタ化アグリゲーションを導入し、悪意のある更新を識別・フィルタリングする。 その結果、TITAN-FedAnil+は、セキュアなフェデレート学習デプロイメントのための堅牢性、スケーラビリティ、リソース効率を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2026-06-03T03:06:39Z)
• Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework [45.88028371034407]
  本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。 モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。 その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。
  論文  参考訳（メタデータ） (2026-05-10T00:22:11Z)
• FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
  ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。 現在の最先端のボット検出モデルは、主に独立して開発されている。 クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:13:41Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• 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)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• VGS-ATD: Robust Distributed Learning for Multi-Label Medical Image Classification Under Heterogeneous and Imbalanced Conditions [1.8408298575385194]
  VGS-ATDは、機械学習のための新しい分散学習フレームワークである。 全体的な精度は92.7%で、集中学習と群れ学習を上回っている。 中央集権学習とSwarm学習の両方と比較して計算コストを最大50%削減する。
  論文  参考訳（メタデータ） (2025-07-23T02:27:31Z)
• A Federated Random Forest Solution for Secure Distributed Machine Learning [44.99833362998488]
  本稿では,データプライバシを保護し,分散環境での堅牢な性能を提供するランダムフォレスト分類器のためのフェデレート学習フレームワークを提案する。 PySyftをセキュアでプライバシを意識した計算に活用することにより、複数の機関がローカルに保存されたデータ上でランダムフォレストモデルを協調的にトレーニングすることが可能となる。 2つの実世界の医療ベンチマークの実験は、フェデレートされたアプローチが、集中型のメソッドの最大9%のマージンで、競争の正確性を維持していることを示している。
  論文  参考訳（メタデータ） (2025-05-12T21:40:35Z)
• FedMSE: Semi-supervised federated learning approach for IoT network intrusion detection [0.0]
  IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。 Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。 このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-18T02:23:57Z)
• Federated Learning in Adversarial Environments: Testbed Design and Poisoning Resilience in Cybersecurity [0.0]
  本稿では,フェデレート・ラーニング(FL)テストベッドの設計と実装に焦点をあて,サイバーセキュリティの応用と毒性攻撃に対するレジリエンスの評価に焦点をあてる。 Flowerフレームワークを実行することでRaspberry PiとNvidia Jetsonハードウェアを使用して構築されたテストベッドは、さまざまなFLフレームワークの実験を容易にし、パフォーマンス、スケーラビリティ、統合の容易さを評価します。
  論文  参考訳（メタデータ） (2024-09-15T17:04:25Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)

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。