論文の概要: Few-Shot Learning for Network Intrusion Detection: Methods, Datasets, and Performance

• arxiv url: http://arxiv.org/abs/2609.11275v1
• Date: Thu, 10 Sep 2026 09:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.278505
• Title: Few-Shot Learning for Network Intrusion Detection: Methods, Datasets, and Performance
• Title（参考訳）: ネットワーク侵入検出のためのFew-Shot Learning:方法,データセット,性能
• Abstract要約: 少数のサンプルから学習することでこの問題に対処する。 我々は、ACM Digital Library, IEEE Xplore, Scopusを検索するために、PRISMA 2020のようなレポートを用いて体系的な文献レビューを行う。 1,358個の初期記録から、スクリーニング、重複除去、品質フィルタリング後の21の研究を継続する。
• 参考スコア（独自算出の注目度）: 1.2744523252873352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly-based network intrusion detection systems (NIDS) are an important first line of defense. However, training NIDS for new attack types is challenging, because labeled attack data are rarely available. Few-shot learning (FSL) addresses this problem by learning from few samples. However, the approaches and evaluation settings, that have been investigated so far, vary widely. This work systematically reviews FSL approaches for NIDS published from 2022 to 2026. We conduct a systematic literature review with PRISMA 2020-like reporting to search ACM Digital Library, IEEE Xplore, and Scopus. From a set of 1,358 initial records, we retain 21 studies after screening, deduplication, and quality filtering. We classify the applied FSL approaches, datasets, and experimental parameters and compare reported performance. Meta-learning and convolutional neural networks are the most common approaches, with 8 and 10 studies, respectively. Most studies evaluate five or fewer samples per class, although settings vary. CIC-IDS2017 and CSE-CIC-IDS2018 are the most frequently used datasets. Missing parameters and source code limit reproducibility and direct comparison between approaches.
• Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)は重要な防御線である。 しかし、ラベル付き攻撃データがほとんど利用できないため、新たな攻撃タイプに対するNIDSのトレーニングは困難である。 FSL(Few-shot Learning)は、少数のサンプルから学習することでこの問題に対処する。 しかし,これまで検討されてきたアプローチや評価設定は様々である。 この研究は、2022年から2026年にかけて発行されたNIDSのFSLアプローチを体系的にレビューする。 我々は、ACM Digital Library, IEEE Xplore, Scopusを検索するために、PRISMA 2020のようなレポートを用いて体系的な文献レビューを行う。 1,358個の初期記録から、スクリーニング、重複除去、品質フィルタリング後の21の研究を継続する。 我々は、適用されたFSLアプローチ、データセット、実験パラメータを分類し、報告された性能と比較する。 メタラーニングと畳み込みニューラルネットワークが最も一般的なアプローチであり、それぞれ8と10の研究がある。 ほとんどの研究では、クラスごとに5つ以上のサンプルが評価されているが、設定は異なる。 CIC-IDS2017とCSE-CIC-IDS2018が最も頻繁に使用されるデータセットである。 欠落パラメータとソースコード制限は再現性とアプローチ間の直接比較である。

関連論文リスト

• A systematic review of trial-matching pipelines using large language models [0.9176056742068814]
  患者を臨床試験の選択肢に合わせることは、特に腫瘍学において新しい治療法を特定するために重要である。 大規模言語モデル(LLM)はこの問題に対して有望な解決策を提供する。 本総説では, 臨床治験におけるLSMの応用の進展を概説し, 有望な方向性と限界を強調した。
  論文  参考訳（メタデータ） (2025-09-13T21:21:05Z)
• GHOST: Gaussian Hypothesis Open-Set Technique [10.426399605773083]
  大規模認識手法の評価は通常、全体的な性能に重点を置いている。 オープンセット認識(OSR)における公平性に対処し,クラスごとのパフォーマンスが劇的に変化することを示す。 Zスコア正規化をロジットに適用し、モデルの期待から逸脱する特徴量の影響を軽減する。
  論文  参考訳（メタデータ） (2025-02-05T16:56:14Z)
• Few Edges Are Enough: Few-Shot Network Attack Detection with Graph Neural Networks [0.0]
  本稿では,偽陽性異常と実際の攻撃をよりよく区別するために,Few Edges Are Enough (FEAE)を提案する。 FEAEは2つのよく知られたネットワークデータセット上での競合性能を達成する。
  論文  参考訳（メタデータ） (2025-01-28T14:07:52Z)
• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• Analysis and Detection against Network Attacks in the Overlapping Phenomenon of Behavior Attribute [6.037603797518956]
  本稿では,WGAN-GP(Wasserstein-Generative-Adversarial-Network-with-Gradient-Penalty)を用いた深層学習に基づくマルチラベル検出モデルを提案する。 実験により,MDD-Modelは優れた分類性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-13T01:59:26Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• DOCTOR: A Multi-Disease Detection Continual Learning Framework Based on Wearable Medical Sensors [3.088223994180069]
  ウェアラブル医療センサ(WMS)に基づく多相検出連続学習フレームワークであるDOCTORを提案する。 マルチヘッドディープニューラルネットワーク(DNN)とリプレイスタイルのCLアルゴリズムを採用している。 平均テスト精度は1.43倍、F1スコアは1.25倍、後方転送は0.41倍である。
  論文  参考訳（メタデータ） (2023-05-09T19:33:17Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• Few-Shot Specific Emitter Identification via Deep Metric Ensemble Learning [26.581059299453663]
  本稿では,自動監視ブロードキャスト(ADS-B)信号を用いた航空機識別のための新しいFS-SEIを提案する。 特に,提案手法は特徴埋め込みと分類から成り立っている。 シミュレーションの結果,カテゴリごとのサンプル数が5以上であれば,提案手法の平均精度は98%以上であることがわかった。
  論文  参考訳（メタデータ） (2022-07-14T01:09:22Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。