論文の概要: Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination

• arxiv url: http://arxiv.org/abs/2608.23547v1
• Date: Mon, 24 Aug 2026 17:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.227994
• Title: Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination
• Title（参考訳）: 訓練時間データ汚染下における産業制御システムの異常検出モデルのロバスト性
• Abstract要約: 本稿では, トレーニング時汚染下でのセキュア水処理ベンチマークにおいて, オフラインICS異常検出パイプラインのロバスト性を評価する。 ランダムインジェクション,類似性目標インジェクション,特徴ノイズインジェクションの3つの汚染手法により,11個の異種異常検出装置を評価した。 その結果、ロバスト性はモデルに依存しており、クリーンデータのパフォーマンスだけでは予測できないことがわかった。
• 参考スコア（独自算出の注目度）: 3.7391021139771325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning-based anomaly detection is increasingly used in industrial control systems (ICS), yet most studies assume that detector training data is trustworthy. In practice, training data may be corrupted through compromised logs, labeling errors, manipulated historian records, or unsafe retraining processes. This paper evaluates the robustness of offline ICS anomaly-detection pipelines on the Secure Water Treatment (SWaT) benchmark under training-time contamination. We assess 11 heterogeneous anomaly detectors under three contamination strategies: random injection, similarity-targeted injection, and feature-noise injection. The first two insert attack samples into the nominal training pool, while the third adds bounded Gaussian noise to selected normal training samples. These attacks are contamination-based rather than gradient-driven poisoning methods. Contamination budgets from 1% to 10% are evaluated using clean validation and test sets under a unified offline protocol. The results show that robustness is strongly model-dependent and cannot be predicted from clean-data performance alone. Injection-based contamination causes the greatest degradation, particularly for local-density and distance-based detectors, whereas feature-noise contamination has a comparatively limited effect. PCA, SVM, HBOS, and IForest remain relatively stable, while the tuned neural detectors demonstrate intermediate robustness. Overall, the findings highlight the importance of training-data integrity in ML-enabled ICS monitoring, subject to the evaluated dataset, models, and threat assumptions.
• Abstract（参考訳）: 機械学習に基づく異常検出は、産業制御システム(ICS)でますます使われているが、多くの研究は検出器訓練データが信頼できると仮定している。 実際には、トレーニングデータは、不正なログ、ラベル付けエラー、操作された履歴記録、あるいは安全でない再トレーニングプロセスによって破損する可能性がある。 本稿では, トレーニング時汚染下でのセキュア水処理(SWaT)ベンチマークにおいて, オフラインICS異常検出パイプラインのロバスト性を評価する。 ランダムインジェクション,類似性目標インジェクション,特徴ノイズインジェクションの3つの汚染手法により,11個の異種異常検出装置を評価した。 最初の2つは名目訓練プールに攻撃サンプルを挿入し、3番目は正常な訓練サンプルに境界付きガウスノイズを付加する。 これらの攻撃は、勾配誘導毒ではなく汚染に基づくものである。 汚染予算の1%から10%は、統一されたオフラインプロトコルの下でクリーンな検証とテストセットを用いて評価される。 その結果、ロバスト性はモデルに依存しており、クリーンデータのパフォーマンスだけでは予測できないことがわかった。 射出性汚染は、特に局所密度と距離に基づく検出器において最大の劣化を引き起こすが、特徴ノイズ汚染は比較的限られた効果を有する。 PCA、SVM、HBOS、IForestは比較的安定であり、チューニングされたニューラル検出器は中間的な堅牢性を示している。 全体として、ML対応ICSモニタリングにおけるトレーニングデータ整合性の重要性を強調し、評価データセット、モデル、脅威仮定を対象とする。

関連論文リスト

• IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT [0.0]
  Internet of Medical Things (IoMT)は、臨床生理学的データとサイバーシステム情報を組み合わせて、異常な読み取りが真の生理的事象、デバイス障害、または期待される生理的範囲内でのサイバー攻撃を反映するかどうかを判断する課題を生み出している。 IoMT-SecAlarmBenchは, 4つの攻撃形態, 4つの重度レベル, 2つの生理的可視性条件, リプレイアタックを組み合わせた構造化された実験設計を用いて, 真のECG+記録に制御整合性攻撃を注入する半合成ベンチマークである。 リプレイ攻撃と低振幅の過渡スパイクは、常に最も難しいケースを検出する方法はない。
  論文  参考訳（メタデータ） (2026-08-26T21:29:26Z)
• Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination [1.3218606066831913]
  教師なし学習アプローチは、ラベル付きデータセットへの依存を取り除くことによって、有望な方向を提供する。 このような汚染は検出性能を低下させ、堅牢な教師なしNIDS法の必要性を強調している。 本研究では, ラベルなし異常の存在下においても有効である, 異常検出(AD)のための堅牢なトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2026-07-28T08:32:41Z)
• FL-PBM: Pre-Training Backdoor Mitigation for Federated Learning [15.911410230033816]
  バックドア攻撃は、人工知能(AI)モデルの完全性と信頼性に重大な脅威をもたらす。 本稿では,フェデレートラーニングのための事前学習バックドア緩和を提案する。 フェデレートされた学習環境において、モデルトレーニングの前に、クライアント側の有毒データを積極的にフィルタリングする。
  論文  参考訳（メタデータ） (2026-03-30T16:56:38Z)
• rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks [1.2891210250935143]
  ニューラルネットワークのトレーニングを最小分散推定問題として定式化する。 本稿では,$S$-divergencesの一般クラスに基づく頑健な学習アルゴリズムであるrSDNetを紹介する。 この結果から,不均一なデータ汚染下での頑健なニューラルネットワーク分類の原則的,効果的な枠組みとして,最小分散学習が注目された。
  論文  参考訳（メタデータ） (2026-03-18T11:47:46Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering [8.132909775584395]
  本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。 条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。 本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-08T01:53:34Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• 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)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)

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。