論文の概要: Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection

• arxiv url: http://arxiv.org/abs/2608.15761v1
• Date: Sun, 16 Aug 2026 14:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.416039
• Title: Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection
• Title（参考訳）: Provenance, not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-free Benchmark for Precision-Agriculture Intrusion Detection (特集:バイオサイバネティックス)
• Abstract要約: Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
• 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: Edge-IIoTset is the reference benchmark for machine-learning intrusion detection in the industrial Internet of Things, and results reported on it cluster above 99%. We show that much of that performance is not intrusion detection. The preprocessing recipe distributed with the dataset instructs researchers to one-hot encode seven categorical columns. Four of them separate attack from normal traffic with an accuracy of 1.0000 on their own, through the spelling of the placeholder written for an absent protocol field: the string "0" in the normal-traffic branch of the dataset build against "0.0" in the attack branch. The label is recoverable from a serialisation artifact encoding file provenance, with no network behaviour modelled, and separates every row of both curated subsets. Under 5-fold x 3-repeat cross-validation, five of six standard classifiers attain exactly 1.0000 +/- 0.0000 accuracy and the sixth attains 0.99998. Under a corrected protocol, naive Bayes falls by 0.3005 macro-F1 and the strongest model settles at 0.9503 +/- 0.0011. Label, ordinal and frequency encoding leak identically. Because the curated subsets also lack Modbus and per-device identity, we rebuild the benchmark from the raw captures under uniform parsing, producing AgriEdge: 1,276,122 rows, five devices with full attribution, and no column separating the classes above 0.0288. A leave-one-device-out sweep locates the generalisation boundary at the perception/actuation layer, where random forest falls from 0.9988 to 0.5083 balanced accuracy. Non-IID federated partitioning costs at most 0.0037 macro-F1, but a 20-round LoRaWAN training run costs 4.6 hours of uplink.
• Abstract（参考訳）: Edge-IIoTsetは、産業用IoTにおける機械学習侵入検出の基準ベンチマークであり、その結果は99%以上である。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 データセットと共に配布される前処理レシピは、研究者に7つのカテゴリ列を1ホットエンコードするように指示する。 それらのうち4つは、標準トラフィックから10000の正確さで分離され、不在のプロトコルフィールド用に書かれたプレースホルダーのスペルによって、攻撃ブランチの"0.0"に対してデータセットの通常のトラフィックブランチの"0"が構築される。 ラベルは、ファイル証明を符号化するシリアライズアーティファクトから復元可能で、ネットワークの振る舞いをモデル化せずに、両方のキュレートされたサブセットのすべての行を分離する。 5倍 x 3-繰り返しのクロスバリデーションの下では、6つの標準分類器のうち5つは正確に1.0000 +/-0.0000の精度を獲得し、6番目は0.99998に達した。 修正されたプロトコルの下では、ナイーブベイズは0.3005マクロF1となり、最強のモデルは0.9503 +/- 0.0011となる。 ラベル、順序、周波数エンコーディングのリークは同じです。 キュレートされたサブセットにもModbusとデバイス毎のIDがないため、ベンチマークを均一な解析の下で生のキャプチャから再構築し、AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離するカラムがない。 アウト・ワン・デバイス・アウト・スイープは、ランダム・フォレストが0.9988から0.5083のバランスの取れた精度で落下する知覚・運動層における一般化境界を特定する。 非IID統合パーティショニングのコストは0.0037マクロF1であるが、20ラウンドのLoRaWANのトレーニングランは4.6時間のアップリンクである。

関連論文リスト

• Benchmarking Quantum Machine Learning for Power-System Attack Detection: Evaluation Choices Decide the Outcome Before the Models Do [0.0]
  我々は、チューニングされた古典モデルに対する電力システムサイバーアタックのための機械学習検出器をベンチマークする。 ベンチマークの回答は、モデルの前に評価者の選択によって設定される。 正の制御では、正確さはnullである: ラベルはパイプラインではなくパイプラインである。
  論文  参考訳（メタデータ） (2026-08-16T08:32:39Z)
• Mapping CVEs to MITRE ATT&CK Techniques: A Curated Gold-Set Classifier and the Limits of LLM-Assisted Label Expansion [46.262619407930266]
  我々は、専門家のMITRE Center for Threat-Informed Defense mappingsから1,207 CVEのキュレートされた金のデータセットにマルチラベル分類器をトレーニングする。 その結果得られたモデルは、ゼロショットの埋め込み類似性のベースラインと比較して、おおよそdoubles recall@5である。 次に,LLMによるラベリングが金のデータセットを拡張できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-07-28T10:59:04Z)
• Closed-loop Auto Research for Molecular Property Prediction: Discovering and Certifying Generalizable Improvements [23.74905101390208]
  クローズドループのAuto Researchは、機械学習を固定データセットフィッティングから研究ワークフローの変更まで拡張する。 この作用空間が、それらを選択する検証信号を超えた一般化をもたらすかどうかを問う。 3つのベンチマークスイートの36以上のエンドポイントで、検索が決して読まれないホールドアウトテストで、選択した構成をスコア付けします。
  論文  参考訳（メタデータ） (2026-06-22T00:18:27Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Context-Aware Web Attack Detection in Open-Source SIEM Systems via MITRE ATT&CK-Enriched Behavioral Profiling [0.0]
  本稿では,オープンソースのWazuh SIEMプラットフォーム用のAIモジュールであるSmart-SIEMを紹介する。 HTTP応答統計分布を符号化した振る舞いコンテキストベクトルを用いる。 2段階のハイブリッドカスケードは、LightGBMをバイナリアタック検出に、XGBoostを6クラスのアタック分類に組み合わせている。
  論文  参考訳（メタデータ） (2026-05-13T10:54:36Z)
• Reducing Maintenance Burden in Behaviour-Driven Development: A Paraphrase-Robust Duplicate-Step Detector with a 1.1M-Step Open Benchmark [1.9537983097153042]
  振る舞い駆動開発スイートは、ドキュメント化されたメンテナンスコストとステップ重複の重複を蓄積します。 私たちはこれまでで最大の組織横断的なBDDステップコーパスをリリースします。
  論文  参考訳（メタデータ） (2026-04-22T11:44:05Z)
• Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
  我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。 提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。 大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
  論文  参考訳（メタデータ） (2026-04-16T11:03:11Z)
• BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection [1.2019888796331233]
  IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。 BRIDGEは、IoT侵入検知のための、初めて公式に指定された異種マルチデータセットベンチマークである。 我々は,LODO F1 = 0.5577 において,単一ベンチマーク最適化からクロス環境一般化へとアジェンダをシフトさせる最初のコミュニティ一般化ベースラインを確立する。
  論文  参考訳（メタデータ） (2026-04-13T11:25:39Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• Conformal Predictor for Improving Zero-shot Text Classification Efficiency [37.745518881553416]
  NLIモデルとNSPモデルの平均推論時間をそれぞれ25.6%、22.2%削減する。 各データセットに適したCPを用いて、NLIベースのモデルとNSPベースのモデルの平均推論時間をそれぞれ25.6%、22.2%削減する。
  論文  参考訳（メタデータ） (2022-10-23T05:19:50Z)

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。