論文の概要: Event-Native Symbolic-Temporal Spike Encoding Framework for Heterogeneous Cyber Streams

• arxiv url: http://arxiv.org/abs/2609.15772v1
• Date: Mon, 14 Sep 2026 15:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.479175
• Title: Event-Native Symbolic-Temporal Spike Encoding Framework for Heterogeneous Cyber Streams
• Title（参考訳）: 不均一なサイバーストリームのためのイベント負のシンボリック・テンポラルスパイク符号化フレームワーク
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、ステートフル処理によるスパースでイベント駆動型の計算を約束している。 異種サイバーイベントを直接スパースでスパイク互換な入力にマッピングする,イベントネイティブなシンボリック・テンポラル・スパイク符号化フレームワークを導入する。
• 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: Spiking neural networks (SNNs) have shown promise for sparse, event-driven computation through stateful processing that is naturally compatible with low-power edge hardware. These properties align with cyber monitoring, where data arrives asynchronously, and malicious behavior often emerges through temporal patterns across event sequences. However, cyber streams are not composed solely of continuous numeric signals: their informative structure is also carried by categorical identifiers, irregular timing, and local behavioral context. Traditional rate- and population-based spike encodings are not naturally suited to these heterogeneous semantics, while conventional intrusion detection system (IDS) pipelines typically resolve the mismatch by converting raw events into flows, fixed aggregation windows, or dense tensors. Although useful for conventional classifiers, these transformations introduce buffering latency, obscure native temporal structure, and weaken the computational advantages of event-driven neuromorphic processing. We introduce an event-native symbolic-temporal spike encoding framework that maps heterogeneous cyber events directly into sparse, spike-compatible inputs. By assigning encoding roles to semantic identity, local frequency context, and inter-event timing, the framework preserves categorical semantics and temporal dynamics. We validate the approach on packet-level Network IDS and extend it to message-level CAN IDS, using both domains to evaluate whether the encoding exposes usable structure for recurrent SNNs operating directly on native event streams. Under edge-oriented, $μ$Caspian-aligned hardware constraints, compact recurrent SNNs achieve strong anomaly detection performance, with an operational hybrid metric ($J_{hybrid}$) of 0.987 on Network IDS and 0.980 on CAN IDS.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、低消費電力エッジハードウェアと自然に互換性のあるステートフルな処理を通じて、スパースでイベント駆動の計算を約束している。 これらのプロパティは、データが非同期に到着するサイバー監視と一致しており、悪意のある振る舞いは、イベントシーケンスの時間パターンを通じて発生することが多い。 しかし、サイバーストリームは連続的な数値信号のみで構成されており、その情報構造は分類的識別子、不規則なタイミング、局所的な行動コンテキストによってもたらされる。 一方、従来の侵入検出システム(IDS)パイプラインは通常、生のイベントをフロー、固定集約ウィンドウ、または密なテンソルに変換することでミスマッチを解消する。 従来の分類器では有用であるが、これらの変換はバッファリングレイテンシーを導入し、ネイティブ時間構造を曖昧にし、イベント駆動型ニューロモルフィック処理の計算上の利点を弱める。 異種サイバーイベントを直接スパースでスパイク互換な入力にマッピングする,イベントネイティブなシンボリック・テンポラル・スパイク符号化フレームワークを導入する。 エンコーディングロールをセマンティックアイデンティティ、局所周波数コンテキスト、およびイベント間タイミングに割り当てることで、フレームワークは分類的セマンティクスと時間的ダイナミクスを保存する。 我々は,パケットレベルネットワークIDSのアプローチを検証するとともに,メッセージレベルCANIDSに拡張し,そのエンコーディングがネイティブイベントストリーム上で直接動作するSNNに対して,使用可能な構造を公開するかどうかを両ドメインで評価する。 エッジ指向の$μ$Caspianのハードウェア制約の下では、コンパクトリカレントSNNは、ネットワークIDSの0.987とCANIDSの0.980の運用ハイブリッドメトリック(J_{hybrid}$)で、強い異常検出性能を達成する。

関連論文リスト

• Weaving Light and Time: Unified Harmonic-Geometric Representation Learning for Dense RGB-Event Parsing [55.13802890769086]
  我々は、専用のRGB-Event解析用に特別に設計された最初の統一バックボーンであるEvitaを紹介する。 深いモーダルなシナジーを達成するため、Evitaはすべてのエンコーダ層に直接固有のコラーニングモジュール群を組み込む。 Evitaは、リアルタイムマルチモーダル認識において、より優れた精度とレイテンシのトレードオフを提供しながら、新しい最先端メトリクスを確立する。
  論文  参考訳（メタデータ） (2026-07-10T06:52:09Z)
• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Spatio-Temporal Cluster-Triggered Encoding for Spiking Neural Networks [0.0]
  スパイキングニューラルネットワーク(SNN)は視覚情報を処理し、視覚情報を効率的に処理する。 レート符号化、ポアソン符号化、時間対一スパイク(TTFS)といった既存の符号化方式は、しばしば空間的関係を無視し、時間的に矛盾するスパイクパターンをもたらす。 本稿では,局所密度を利用して空間領域と時間領域のセマンティック構造を保存する,クラスタベースの新しい符号化手法を提案する。
  論文  参考訳（メタデータ） (2025-11-11T17:15:08Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• NAC-TCN: Temporal Convolutional Networks with Causal Dilated Neighborhood Attention for Emotion Understanding [60.74434735079253]
  畳み込みTCN(NAC-TCN)を用いた近傍注意法を提案する。 これを実現するために、Dilated Neighborhood Attentionの因果バージョンを導入し、畳み込みを組み込んだ。 我々のモデルは、標準的な感情認識データセットに少ないパラメータを必要としながら、TCN、TCL、LSTM、GRUに匹敵する、より優れた、あるいは最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-12T18:41:30Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series [26.77596449192451]
  不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。 標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。 時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-06T21:10:30Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
  SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。 提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
  論文  参考訳（メタデータ） (2020-07-14T08:42:39Z)
• Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
  スパイクニューラルネットワークは低消費電力を可能にするため注目されている。 本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。 空間時間パターンを分類する学習アルゴリズムも提案する。
  論文  参考訳（メタデータ） (2020-07-07T15:24:01Z)

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。