論文の概要: An LLM-Assisted AutoML Framework for Intrusion Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2609.23097v1
• Date: Sat, 19 Sep 2026 16:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.675826
• Title: An LLM-Assisted AutoML Framework for Intrusion Detection in IoT Networks
• Title（参考訳）: IoTネットワークにおける侵入検知のためのLLM支援オートMLフレームワーク
• Abstract要約: IoT(Internet of Things)システムは、スマートホーム、交通機関、エネルギーシステム、重要なインフラストラクチャにますます多くデプロイされている。 本稿では,IoT侵入検出のためのLarge Language Model (LLM)支援AutoMLフレームワークを提案する。 提案したLCM支援ポリシは,TPE(Tree-structured Parzen Estimator)を用いて,従来のAutoMLよりも高い重み付きテストF1スコアを達成する。
• 参考スコア（独自算出の注目度）: 5.2770040371057085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) systems are increasingly deployed in smart homes, transportation, energy systems, and critical infrastructure. This broad connectivity improves service intelligence, but also enlarges the attack surface of IoT networks. Machine Learning (ML)-based Intrusion Detection Systems (IDSs) are widely used to identify malicious network threats and protect IoT systems, but developing effective ML-based IDS models often requires human expertise and repeated manual decisions on many procedures, including data pre-processing, feature selection, model selection, and hyperparameter tuning. Automated Machine Learning (AutoML) reduces this burden by automating steps of the ML pipeline using optimization techniques, but conventional AutoML methods can consume substantial optimization time because they explore broad candidate model families and large hyperparameter spaces. This paper proposes a Large Language Model (LLM)-assisted AutoML framework for IoT intrusion detection. The proposed framework uses an LLM as a policy generator that converts dataset profiles into bounded and validated AutoML policies for automated data balancing, automated feature engineering, and Combined Algorithm Selection and Hyperparameter Optimization (CASH). Under an equal 10-trial budget, the proposed LLM-assisted policy achieves higher weighted test F1-score than traditional AutoML using the Tree-structured Parzen Estimator (TPE) on both datasets, reaching 99.680% on CICIDS2017 and 99.186% on IoTID20. Relative to the broader 30-trial Traditional AutoML-TPE baseline, the 10-trial proposed method reduces optimizer time by 63.7% and 49.9%, respectively, while achieving slightly higher F1-score. These results show that a bounded LLM policy can improve the quality of a low-budget AutoML search while retaining a clear efficiency advantage relative to a larger conventional search budget.
• Abstract（参考訳）: IoT(Internet of Things)システムは、スマートホーム、交通機関、エネルギーシステム、重要なインフラストラクチャにますます多くデプロイされている。 この広範な接続により、サービスインテリジェンスが改善されると同時に、IoTネットワークの攻撃面も拡大される。 マシンラーニング(ML)ベースの侵入検出システム(IDS)は、悪意のあるネットワーク脅威を特定し、IoTシステムを保護するために広く使用されているが、効果的なMLベースのIDSモデルを開発するには、データ前処理、機能選択、モデル選択、ハイパーパラメータチューニングなど、多くの手順において、人間の専門知識と反復的な手作業による決定が必要になることが多い。 AutoML(Automated Machine Learning)は、最適化手法を使用してMLパイプラインのステップを自動化することで、この負担を軽減する。 本稿では,IoT侵入検出のためのLarge Language Model (LLM)支援AutoMLフレームワークを提案する。 提案するフレームワークでは,LLMをポリシジェネレータとして使用し,データセットプロファイルを自動データバランシング,自動機能エンジニアリング,アルゴリズム選択とハイパーパラメータ最適化の組み合わせ(CASH)のための,バウンダリおよび検証済みのAutoMLポリシに変換する。 同様の10の予算の下で、LLM支援ポリシーは従来のAutoMLよりも高い重み付けテストF1スコアを実現し、両方のデータセットでTree-structured Parzen Estimator (TPE)を使用しており、CICIDS2017では99.680%、IoTID20では99.186%に達した。 30-trialのAutoML-TPEベースラインとは対照的に、10-trial提案法は最適化時間をそれぞれ63.7%、49.9%削減し、F1スコアはわずかに高い。 これらの結果から,従来の検索予算よりも明確な効率性を維持しつつ,低予算のAutoML検索の品質を向上させることができることがわかった。

関連論文リスト

• A Multi-Objective AutoML-based Efficient Intrusion Detection System for EV Charging Networks [5.2770040371057085]
  電気自動車充電システム(EVCS)はIoT(Internet of Things)デバイスとますます結びついており、充電インテリジェンスを改善しつつ、サイバー攻撃への露出を拡大している。 EV充電ネットワークの確保には,侵入検知システム(IDS)が不可欠である。 本稿では,EVCSセキュリティのための多目的自動ML(MOO-AutoML)に基づく効率的なIDSを提案する。
  論文  参考訳（メタデータ） (2026-08-03T14:11:38Z)
• AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
  メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。 本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
  論文  参考訳（メタデータ） (2026-04-01T15:17:45Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Interpretable by Design: MH-AutoML for Transparent and Efficient Android Malware Detection without Compromising Performance [0.0]
  Androidシステムにおけるマルウェア検出には、サイバーセキュリティの専門知識と機械学習(ML)技術の両方が必要となる。 We present MH-AutoML, a domain-specific framework for Android malware detection。 結果は、MH-AutoMLがより透明性とコントロールを提供しながら、より良いリコール率を達成することを示している。
  論文  参考訳（メタデータ） (2025-06-29T16:12:41Z)
• EDCA - An Evolutionary Data-Centric AutoML Framework for Efficient Pipelines [0.276240219662896]
  この作業では、Evolutionary Data Centric AutoMLフレームワークであるEDCAを紹介します。 データ品質は通常、AutoMLの見過ごされている部分であり、手作業と時間を要するタスクであり続けています。 EDCAは、AutoMLベンチマークのトップの2つのフレームワークであるFLAMLとTPOTと比較された。
  論文  参考訳（メタデータ） (2025-03-06T11:46:07Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
  強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。 このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-01-15T03:12:29Z)
• Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and Robust AutoDL [53.40030379661183]
  Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。 Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
  論文  参考訳（メタデータ） (2020-06-24T15:15:17Z)

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。