論文の概要: A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion
- arxiv url: http://arxiv.org/abs/2609.13511v1
- Date: Fri, 11 Sep 2026 20:23:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.370226
- Title: A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion
- Title（参考訳）: LLMと古典型MLの3軸応力試験による分布シフトと逆流によるネットワーク侵入検出
- Abstract要約: 我々はXGBoostとRoBERTa-LoRAを3軸で独立に収集したNetFlow v2ネットワーク上で評価した。
XGBoostは15ポイントのF1と25ポイントのバランスの取れた精度で、クロスデータセット分布シフトの下で決定的に勝利する。
RoBERTa-LoRAは、F1の約17ポイントを代表的な中距離摂動強度で決定的に回避する。
- 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: Large language models are increasingly benchmarked against classical machine learning for network intrusion detection (NIDS), almost always using same-dataset evaluation, and that protocol turns out to be incomplete. Evaluating XGBoost and RoBERTa-LoRA on two independently collected NetFlow v2 networks across three axes (same-dataset performance, cross-dataset transfer, and adversarial evasion) reveals no universal winner. The two models are statistically tied same-dataset. XGBoost wins decisively under cross-dataset distribution shift, by 15 points of F1 and 25 points of balanced accuracy; on the target network RoBERTa-LoRA's false positive rate reaches 0.78, leaving it barely above chance despite a superficially moderate F1. RoBERTa-LoRA wins decisively under adversarial evasion, by roughly 17 points of F1 at a representative mid-range perturbation strength, while both models hold false positive rates below 0.01 throughout. The model an evaluator would recommend therefore depends entirely on which axis is tested, not on same-dataset accuracy alone. A staged feature-leakage ablation improves cross-dataset transfer non-monotonically, indicating the leakage signal is distributed across the feature representation rather than confined to a few columns, and cross-dataset transfer between our two networks is strongly directional. These results argue for evaluating NIDS models along multiple independent robustness axes, and with more than one metric per axis.
- Abstract（参考訳）: 大規模言語モデルは、ネットワーク侵入検知(NIDS)のための古典的な機械学習に対して、ほぼ常に同じデータセット評価を使用してベンチマークされ、そのプロトコルは不完全であることが判明した。
XGBoostとRoBERTa-LoRAを3軸(サメデータセット性能、クロスデータセット転送、逆回避)で独立に収集した2つのNetFlow v2ネットワーク上で評価すると、普遍的な勝者は見つからない。
2つのモデルは統計的に同じデータセットに結びついている。
XGBoostは、F1の15ポイントと25ポイントのバランスの取れた精度で決定的に勝利し、ターゲットネットワークのRoBERTa-LoRAの偽陽性率は0.78に達する。
RoBERTa-LoRAは、F1の約17ポイントを代表的な中距離摂動強度で決定的に勝利し、どちらのモデルも0.01未満の偽陽性率を保持する。
したがって、評価者が推奨するモデルは、どの軸がテストされるかに完全に依存する。
段階的特徴推論による非単調なデータ転送の改善により、複数の列に制限されるのではなく、特徴表現にリーク信号が分散され、2つのネットワーク間のクロスデータセット転送が強い指向性を示す。
これらの結果は、複数の独立ロバスト性軸に沿ってNIDSモデルを評価し、軸ごとに複数のメートル法で評価するものである。
関連論文リスト
- Concept drift mitigation through community and spectral graph analysis for the detection of cyberattacks in network traffic [1.3999481573773072]
検出モデルとは独立に各特徴に対して定義された安定性スコアであるt-robustnessを導入する。
特徴の連続した統計状態間のステップバイステップ距離と、その初期状態からの累積的なばらつきを組み合わせ、遅い単調なドリフトが安定性を損なうことができない。
評価はUGR16データセット上で行われ、3つの学習シナリオとコントロールシナリオにまたがる。
論文 参考訳（メタデータ） (2026-09-08T20:51:00Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks [0.0]
産業用IoT(Industrial Internet of Things)ネットワークにおける侵入検出のために、軽量機械学習モデルがますます提案されている。
報告されたほとんどの結果は、これらのモデルをトレーニングネットワーク内でのみ評価し、未確認のネットワーク上での挙動を検証しないままにしている。
この研究は、1つのIIoTデータセット上に4つの軽量アーキテクチャをトレーニングし、2つの構造的に異なるIIoTデータセット上に再トレーニングすることなく、それらを評価する。
論文 参考訳（メタデータ） (2026-07-01T07:43:26Z) - Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。
信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。
本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:28:47Z) - Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets [0.0]
無人航空機(英語: Unmanned Aviation Vehicle、UAV)は、ネットワーク化されたアビオニクスとオンボードセンサー融合にまたがるサイバー物理システムである。
マルチセンサTLM:UAVベンチマークを用いて,UAV異常検出のための量子機械学習のリークフリー評価を行う。
論文 参考訳（メタデータ） (2026-05-19T01:05:16Z) - UniAlign: A Model-Agnostic Framework for Robust Network Traffic Classification under Distribution Shifts [8.146941441861614]
UniAlignは、分散シフト下でのディープラーニングベースのNTCモデルの堅牢性を改善する、モデルに依存しないフレームワークである。
特定の特徴モダリティを必要とせずに既存の教師付きNTCモデルにシームレスに統合できる。
論文 参考訳（メタデータ） (2026-05-17T18:02:17Z) - Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。
CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
論文 参考訳（メタデータ） (2026-01-13T12:08:26Z) - Diffusion Language Models are Super Data Learners [61.721441061210896]
ユニークなデータが限られている場合、拡散言語モデル(DLM)は、よりエポックなトレーニングによって、常に自己回帰モデル(AR)を上回ります。
本研究の目的は,(1) 任意の次数モデリング,(2) 反復的双方向 denoising からの超高次計算,(3) モンテカルロ増分という3つの複合的要因に起因する。
論文 参考訳（メタデータ） (2025-11-05T08:17:42Z) - Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。
トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T13:13:39Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳（メタデータ） (2023-04-19T14:58:27Z) - False: False Negative Samples Aware Contrastive Learning for Semantic
Segmentation of High-Resolution Remote Sensing Image [11.356381535900901]
高分解能RSIのセマンティックセグメンテーションのためのFalse negAtive sampLes aware contraStive lEarning model (FALSE)を提案する。
SSCL事前訓練は監督されないため、偽陰性サンプル(FNS)の判定可能な基準の欠如は理論的不確定性をもたらす。
我々は、FNS自己決定戦略によるFNSの粗い決定を達成し、FNS信頼度補正(FNCC)損失関数によるFNSの校正を実現する。
論文 参考訳（メタデータ） (2022-11-15T06:24:26Z)
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。