論文の概要: Detect First, Explain Later: Training-Free Temporal-Memory Digital Twin Anomaly Detection with Post-Hoc LLM Interpretation for ICS

• arxiv url: http://arxiv.org/abs/2609.29704v1
• Date: Mon, 31 Aug 2026 09:32:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.114258
• Title: Detect First, Explain Later: Training-Free Temporal-Memory Digital Twin Anomaly Detection with Post-Hoc LLM Interpretation for ICS
• Title（参考訳）: 初回, 説明後:ICSのためのポストホックLSM解釈によるトレーニング不要のテンポラルメモリデジタル双極子異常検出
• Abstract要約: 産業制御システム(ICS)は、プロセスの振る舞いにおける微妙で時間的に進化する逸脱を示すサイバー物理攻撃にますますさらされている。 本稿では,決定論的DT制約と明示的時間記憶を組み合わせたトレーニング不要な異常検出手法を提案する。 本研究は,制約に基づく検出における時間記憶の重要性を強調し,ICSモニタリングにおける非結合推論による解釈性向上を支援することを目的とした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial Control Systems (ICS) are increasingly exposed to cyber-physical attacks that manifest as subtle and temporally evolving deviations in process behavior. Detecting such anomalies requires reasoning over persistence, cross-signal dependencies, and process-level constraints. Digital Twins (DTs) encode system knowledge through physical and logical relationships between signals, but existing DT-based approaches rely on instantaneous rule violations and lack mechanisms to aggregate weak evidence over time. This paper proposes a training-free anomaly detection method that combines deterministic DT constraints with explicit temporal memory. The DT monitors process signals and produces anomaly scores based on constraint violations, while a lightweight memory mechanism captures persistence and contextual relationships across time. The approach is evaluated on the HAI and BATADAL datasets. Ablation results show that the memory-less detector fails completely, demonstrating that temporal aggregation is essential for DT-based detection. On HAI, the memory-aware DT achieves stable detection with only 4 false alarm events, and on BATADAL, it remains effective without retraining, with 21 false alarms under domain shift. In comparison, Isolation Forest (IF) produces substantially more false alarms (328 on HAI and 127 on BATADAL), while Autoencoder (AE) exhibits dataset-dependent behavior, achieving high precision on BATADAL but low recall and inconsistent performance overall. A gated LLM is used for post-hoc interpretation, providing structured explanations without affecting detection performance. Our findings highlight the importance of temporal memory in constraint-based detection and support the use of decoupled reasoning for interpretability in ICS monitoring.
• Abstract（参考訳）: 産業制御システム(ICS)は、プロセスの振る舞いにおける微妙で時間的に進化する逸脱を示すサイバー物理攻撃にますますさらされている。 このような異常を検出するには、永続性、クロスシグナル依存関係、プロセスレベルの制約を推論する必要がある。 デジタルツイン(DT)は、信号間の物理的および論理的関係を通じてシステム知識を符号化するが、既存のDTベースのアプローチは、瞬時にルール違反と弱い証拠を蓄積するメカニズムの欠如に依存している。 本稿では,決定論的DT制約と明示的時間記憶を組み合わせたトレーニング不要な異常検出手法を提案する。 DTはプロセス信号を監視し、制約違反に基づいて異常スコアを生成し、軽量メモリ機構は時間を通して永続性とコンテキストの関係をキャプチャする。 このアプローチは、HAIデータセットとBATADALデータセットに基づいて評価される。 アブレーションの結果、メモリレス検出器は完全に故障し、DTベースの検出には時間的アグリゲーションが不可欠であることが示されている。 HAIでは、メモリ認識DTは4つの偽アラームイベントで安定した検出を達成し、BATADALでは、ドメインシフト中の21の偽アラームとともに、再トレーニングなしで有効である。 一方、オートエンコーダ(AE)はデータセットに依存した振る舞いを示し、BATADALでは高精度であるが、リコールや不整合性が低い。 ゲートLDMはポストホック解釈に使用され、検出性能に影響を与えることなく構造化された説明を提供する。 本研究は,制約に基づく検出における時間記憶の重要性を強調し,ICSモニタリングにおける非結合推論による解釈性向上を支援することを目的とした。

関連論文リスト

• Digital Twin Degradation: Detecting Cyber Physical Attacks via Temporal Inconsistencies [0.0]
  本稿では,物理的システムと潜在的に劣化するDTビュー間の時間的一貫性をモニタリングする検出フレームワークを提案する。 教師なし密度モデルは正常な一貫性パターンを特徴づけ、シーケンシャルな変化検出機構は攻撃を示す持続的な偏差を識別する。 その結果、時間的不整合パターンは、有界誤報率と検出遅延の低い、信頼性の高い事象レベルの攻撃検出を可能にすることがわかった。
  論文  参考訳（メタデータ） (2026-08-17T06:24:22Z)
• Real-Time Source-Free Object Detection [40.10658212485104]
  自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。 我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-30T15:38:56Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Proactive for Uncertainty: Cause-Aware Error Diagnosis and Interactive Clarification for Spoken Dialogue Systems [40.265250435329456]
  本稿では,SDSにおけるロバスト性を根本的に再考する原因認識型エラー回復パラダイムを提案する。 従来の信頼度フィルタリングとは異なり、我々は小さな精度に焦点を絞った検出器群を導入している。 この微細な診断知能は、LLMがターゲットとするマルチターンの明確化戦略を編成する権限を与える。
  論文  参考訳（メタデータ） (2026-05-25T03:57:38Z)
• Pitfalls of Unlabeled Disagreement-Based Drift Detection in Streaming Tree Ensembles [1.2599533416395763]
  不一致に基づく不確実性は、ニューラルネットワークにおいて有望であることを示しているが、インクリメンタル決定木(IDT)のアンサンブルへの適応は、まだほとんど探索されていない。 本手法は,アンサンブルメンバーのラベルフリップによるバッチ特異的不一致対策を構築することで検討する。 本手法は多層パーセプトロン (MLP) のアンサンブルにおいてよく機能するが, IDT に適用した場合の損失検出性能は一貫して劣っている。
  論文  参考訳（メタデータ） (2026-05-12T22:53:03Z)
• Systematic Integration of Digital Twins and Constrained LLMs for Interpretable Cyber-Physical Anomaly Detection [0.0]
  産業制御システム(ICS)を標的としたサイバー攻撃は、ますます洗練され、識別が困難になっている。 このような攻撃を検知するには、低レベルの振る舞いキューと高レベルのセマンティック解釈を統合する必要がある。 本稿では,Digital Twin(DT)によるハイブリッド検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-04T16:38:12Z)
• AI-Generated Text is Non-Stationary: Detection via Temporal Tomography [22.211451973387796]
  本稿では,信号処理タスクとして検出を再構成することによって位置情報を保存する新しい検出パラダイムであるTDTを紹介する。 RAIDベンチマークでは、TDTは0.855 AUROC(最高のベースラインよりも7.1%改善)を達成した。 我々の研究は、AI生成テキストの基本的な特徴として非定常性を確立し、時間的ダイナミクスの保存が堅牢な検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2025-08-03T13:43:34Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。