論文の概要: Evaluating ML-based Intrusion Detection Systems: The Illusion of Model Efficacy

• arxiv url: http://arxiv.org/abs/2609.02469v1
• Date: Wed, 02 Sep 2026 11:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.265147
• Title: Evaluating ML-based Intrusion Detection Systems: The Illusion of Model Efficacy
• Title（参考訳）: MLによる侵入検知システムの評価:モデルの有効性について
• Abstract要約: 侵入検知は機械学習の統合によって革命的になった。 本稿では,MLに基づくネットワーク侵入検知システムにおいて,アルゴリズムの強化とメートル法調整を超越した手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intrusion Detection has been revolutionized due to the integration of Machine Learning. Improved detection rates, reduced false alarms, and optimized algorithms contribute to the perception of improved systems with optimal accuracy and near-perfect performance, the illusion of model efficacy. However, the value of this effectiveness diminishes when confronted with unseen attacks. In this paper, we go beyond solely algorithmic enhancements and metric adjustments in ML-based Network Intrusion Detection Systems. We design an experiment to test the generalization capabilities of certain classifiers on unseen attacks. Our approach examines the dimensionality parameter's impact through two experimental methodologies, which are applied in two distinct settings. The experimental findings reveal how effectively the models could identify even a fraction of unseen attacks and underscore structural weaknesses in ML-based IDS research and evaluation techniques. Finally, seven evaluation criteria are outlined to address these challenges.
• Abstract（参考訳）: 侵入検知は機械学習の統合によって革命的になった。 検出率の向上、誤報の低減、最適化されたアルゴリズムは、最適な精度とほぼ完璧な性能を持つ改良されたシステムの認識、モデルの有効性の錯覚に寄与する。 しかし、この効果の価値は目に見えない攻撃に直面したときに低下する。 本稿では,MLに基づくネットワーク侵入検知システムにおいて,アルゴリズムの強化とメートル法調整を超越した手法を提案する。 特定分類器の非表示攻撃に対する一般化能力をテストする実験を設計する。 そこで本研究では,2つの実験手法を用いて,次元パラメータの影響について検討した。 実験結果から、MLベースのIDS研究および評価手法において、モデルがごく少数の未確認攻撃や構造的弱点を効果的に識別できることが明らかになった。 最後に、これらの課題に対処するために、7つの評価基準を概説する。

関連論文リスト

• Low Rank Adaptation for Adversarial Perturbation [50.24377354110586]
  Low-Rank Adaptation (LoRA) はLarge Language Models (LLM) のトレーニング効率を大幅に改善した。 逆方向の例の生成はモデルトレーニングに類似した最適化プロセスであるため、これは自然に疑問を提起する: 逆方向の摂動は同様の低ランク構造を示すか? 本稿では, 種々の攻撃手法, モデルアーキテクチャ, およびデータセットに関する理論的解析および広範な実証的研究を行い, 対向摂動が実際に低ランク構造を持つことを示す。
  論文  参考訳（メタデータ） (2026-04-30T06:38:28Z)
• What Works for 'Lost-in-the-Middle' in LLMs? A Study on GM-Extract and Mitigations [1.2879523047871226]
  GM-Extract は制御変数の検索において LLM 性能を評価するために慎重に設計された新しいベンチマークデータセットである。 2つのマルチドキュメントタスク(キー値抽出と質問応答)における7-8Bパラメータモデルの体系的評価を行う。 明瞭なU字曲線は一貫して観測されなかったが,本研究では,モデル間での明らかな性能パターンを明らかにした。
  論文  参考訳（メタデータ） (2025-11-17T20:50:50Z)
• A methodological analysis of prompt perturbations and their effect on attack success rates [0.5387033080274478]
  この研究は、異なるLarge Language Models (LLM)アライメントメソッドが、攻撃に対するモデルの応答にどのように影響するかを調査することを目的としている。 我々は,最も一般的なアライメント手法,すなわち Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), Reinforcement Learning with Human Feedback (RLHF) に基づいて,オープンソースモデルを選択した。
  論文  参考訳（メタデータ） (2025-11-11T19:39:33Z)
• ARISE: An Adaptive Resolution-Aware Metric for Test-Time Scaling Evaluation in Large Reasoning Models [102.4511331368587]
  ARISE(Adaptive Resolution-Aware Scaling Evaluation)は、大規模推論モデルの試験時間スケーリングの有効性を評価するために設計された新しい尺度である。 我々は、様々な領域にわたる最先端の推論モデルを評価する包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-07T15:10:51Z)
• Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems [0.8388591755871736]
  侵入検知システム(IDS)は継続的に改善されている。 その多くは、脅威を特定するために機械学習(ML)技術を採用している。 本稿では,この研究ギャップを埋める研究について述べる。
  論文  参考訳（メタデータ） (2024-07-15T14:30:25Z)
• Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
  侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。 本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。 我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
  論文  参考訳（メタデータ） (2024-07-08T09:18:59Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)
• Multi-Stage Optimized Machine Learning Framework for Network Intrusion Detection [8.26773636337474]
  本稿では,MLに基づく新しい多段階最適化NIDSフレームワークを提案する。 検出性能を維持しながら計算複雑性を低減する。 提案したフレームワークは、必要なトレーニングサンプルサイズ(最大74%)と機能セットサイズ(最大50%)を著しく削減する。
  論文  参考訳（メタデータ） (2020-08-09T03:18:00Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。