論文の概要: Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks

• arxiv url: http://arxiv.org/abs/2609.09564v1
• Date: Wed, 09 Sep 2026 00:43:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.853775
• Title: Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks
• Title（参考訳）: ニューロモルフィック・テンポラル・エンベディングとハイブリッドSNN XGBoostを用いた機械学習攻撃によるロバストな産業用サイバー物理分類
• Abstract要約: 電気配信ネットワークのデジタル化は、サイバー攻撃に対する電力グリッドインフラの露出を増大させた。 既存の侵入検知システムは、端に展開するのが難しい計算コストの高いディープラーニングモデルに依存していることが多い。 本稿では,効率的な時間エンコーディングと軽量な分類器を組み合わせたハイブリッドスパイキングニューラルネットワーク(SNN)とXGBoostアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 14.525312658167232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The digitalisation of electrical distribution networks has increased the exposure of power-grid infrastructure to cyber attacks. Existing intrusion detection systems (IDSs), however, often rely on computationally expensive deep learning models that are difficult to deploy at the edge. Periodic retraining also exposes these systems to machine unlearning attacks, where selective data removal can degrade detection performance. We propose a hybrid Spiking Neural Network (SNN) and XGBoost architecture that combines efficient temporal encoding with a lightweight classifier and provides structural resilience to such attacks. The SNN is trained once on clean data and used as a fixed feature extractor, while only the XGBoost classifier is retrained during model updates. Evaluated on two real-world public power-system datasets, the proposed method achieves 99.9\% accuracy (F1-macro 0.999) on the Synchrophasor dataset and 95.0\% accuracy (F1-macro 0.943) on the MSU/ORNL dataset, outperforming standalone baselines. Under selective label-flipping attacks, the hybrid model loses only 0.9\% F1-macro at 10\% poisoning and delays target-class collapse from 60\% to 70\% poisoning compared with raw models. These results demonstrate that neuromorphic temporal encoding can provide both accurate cyber-attack detection and improved resilience to data poisoning in cyber-physical systems.
• Abstract（参考訳）: 電気配信ネットワークのデジタル化により、サイバー攻撃に対する電力グリッドインフラの露出が増大した。 しかし、既存の侵入検知システム(IDS)は、エッジに展開するのが困難な計算コストの高いディープラーニングモデルに依存していることが多い。 周期的再トレーニングはまた、これらのシステムを機械学習攻撃に公開し、選択データ削除は検出性能を劣化させる。 本稿では、効率的な時間エンコーディングと軽量な分類器を組み合わせたハイブリッドスパイキングニューラルネットワーク(SNN)とXGBoostアーキテクチャを提案する。 SNNはクリーンなデータに基づいてトレーニングされ、固定された特徴抽出器として使用される一方、モデル更新中にXGBoost分類器のみが再トレーニングされる。 MSU/ORNLデータセットでは99.9 %の精度 (F1-macro 0.999) と95.0 %の精度 (F1-macro 0.943) を達成し,スタンドアローンベースラインを上回った。 選択的なラベルフリップ攻撃の下では, F1-macro が 10 % の毒で 0.9 % しか失われず, ターゲットクラス崩壊が 60 % から 70 % の毒で遅れる。 これらの結果から,ニューロモルフィック・テンポラルエンコーディングは,サイバー攻撃検出の精度向上と,サイバー物理システムにおけるデータ中毒に対するレジリエンスの向上の両立を図っている。

関連論文リスト

• Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
  敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる 本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。 敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
  論文  参考訳（メタデータ） (2026-06-10T13:41:44Z)
• MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
  MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。 Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。 これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
  論文  参考訳（メタデータ） (2026-02-27T09:37:05Z)
• Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers [0.0]
  完全な仮想マイクログリッドはMG/Simulinkで設計、実装された。 MGLibを用いて、二次制御経路に敵の信号を注入する構造化サイバーアタックフレームワークを開発した。 その結果、軽量な機械学習による侵入検知手法は、高速で正確で効率的なサイバー攻撃検出を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-07T01:23:13Z)
• Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset [1.4975436239088316]
  配水システムにおけるサイバー攻撃の検出能力を向上するハイブリッドアンサンブル学習モデルを検討する。 提案フレームワークは, 時間依存型産業システムにおいて, サイバー攻撃検出のための堅牢でスケーラブルなソリューションを確立する。
  論文  参考訳（メタデータ） (2025-12-16T14:07:22Z)
• Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data [0.0]
  本研究では、ハイブリッドサンプリング技術を用いて、IoT領域のデータ不均衡検出精度を向上させる。 サイバー攻撃の分類に関して,複数の機械学習モデルの性能を評価する。 全体として、この研究は、ハイブリッドサンプリングの価値と堅牢なモデルと機能選択を組み合わせることで、IoTセキュリティを著しく改善することを示している。
  論文  参考訳（メタデータ） (2025-05-15T14:02:48Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:00:05Z)
• Unlearning Graph Classifiers with Limited Data Resources [39.29148804411811]
  制御されたデータ削除は、データに敏感なWebアプリケーションのための機械学習モデルの重要機能になりつつある。 グラフニューラルネットワーク(GNN)の効率的な機械学習を実現する方法はまだほとんど知られていない。 我々の主な貢献は GST に基づく非線形近似グラフアンラーニング法である。 第2の貢献は、提案した未学習機構の計算複雑性の理論解析である。 第3のコントリビューションは広範囲なシミュレーションの結果であり、削除要求毎のGNNの完全再トレーニングと比較して、新しいGSTベースのアプローチは平均10.38倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2022-11-06T20:46:50Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• 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。