論文の概要: Input-Layer Starvation: Why Per-Layer Pruning Breaks IoT Intrusion Detectors

• arxiv url: http://arxiv.org/abs/2609.30729v1
• Date: Fri, 25 Sep 2026 02:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.195029
• Title: Input-Layer Starvation: Why Per-Layer Pruning Breaks IoT Intrusion Detectors
• Title（参考訳）: 入力層飢餓:IoT侵入検知器を1層で切断する理由
• Abstract要約: 小型IoT(Internet-of-Things)デバイス用の侵入検知器は通常、プルーニングによって圧縮され、全体的な精度で判断される。 重度のクラスレベルの障害を隠蔽し,その原因を見つけ,低オーバーヘッド予防と修復を行う。
• 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: Intrusion detectors for small Internet-of-Things (IoT) devices are usually compressed by pruning and judged by overall accuracy. We show that this hides a severe class-level failure, find its cause, and give low-overhead prevention and repair. On CICIoT2023, a two-layer convolutional detector pruned with uniform layer-wise magnitude pruning at 80% sparsity loses 16 points of accuracy but half of its macro-F1, the mean per-class F1 (0.542 to 0.271 over five independently trained models); 17 of 34 classes are materially damaged. Remaining weight count does not explain it: a perceptron and a transformer pruned to the same or fewer weights lose at most 0.096. The first layer does. It has 192 weights; uniform pruning leaves 38, 46% of its 64 filters lose every input weight, and fine-tuning under that starvation leaves the running means of the first normalisation layer displaced by up to 0.8 standard deviations in a few surviving channels, on which the deployed model collapses. Protecting those 192 weights, or pruning globally at the same sparsity, prevents the collapse (loss 0.013); recomputing the normalisation statistics on unlabelled training data, with no weight changed, repairs it (loss 0.039) and returns the false-alert rate to 33% (dense 29%). Damage shows a strong increasing dose-response in first-layer sparsity, starving a perceptron's input layer reproduces the collapse, and the pattern holds on TON_IoT. The failure is misattribution and false alerts, not silent evasion: on validation-selected blind spots, uniformly pruned detectors misattribute 72% of the traffic, against 50% with the first layer protected and 47% for the dense model.
• Abstract（参考訳）: 小型IoT(Internet-of-Things)デバイス用の侵入検知器は通常、プルーニングによって圧縮され、全体的な精度で判断される。 重度のクラスレベルの障害を隠蔽し,その原因を見つけ,低オーバーヘッド予防と修復を行う。 CICIoT2023では、80パーセントの間隔で均一なレイヤーワイドプルーニングを施した2層畳み込み検出器が16ポイントの精度を失うが、そのマクロF1の半分は、クラスごとの平均F1(5つの独立訓練モデルで0.542から0.271)であり、34クラスの17が実質的な損傷を受けている。 パーセプトロンと変圧器が同じまたは少ない重量に膨らみ、少なくとも0.096で失われる。 最初の層はそうである。 重量は192個あり、64個のフィルターの均一な刈り取り葉38,46%は全ての入力重量を失い、飢餓下にある微調整は、展開されたモデルが崩壊するいくつかのチャネルで最大0.8の標準偏差で変位した第1の正規化層の走行手段を残している。 これらの192個の重量を保護するか、同じ間隔で世界規模で刈り取るかは、崩壊を防ぎ(0.013点)、体重の変化のない訓練データの正規化統計を計算し、修復し(0.039点)、偽アラートレートを33%(密度29%)に戻す。 損傷は第1層の空間において強い線量応答を示し、パーセプトロンの入力層を飢えさせることで崩壊を再現し、パターンはTON_IoTに保持される。 バリデーション選択された盲点では、均一にプルーニングされた検出器がトラフィックの72%をミスアトリビュートし、第1層が保護され、密度の高いモデルが47%である。

関連論文リスト

• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• Deterministic LLM Inference Across GPU Kernels: Power-of-Two INT8 Quantization Scales and the Limits of Tolerance-Based Conformance [0.10152838128195468]
  量子化されたGEMMカーネルのコンフォーマンススイートは、2つの実装が許容範囲内で一致するかどうかを問う。 5つのエピローグ断層(スケール精度、ダブルラウンド、乗算順序、出力トランケーション、融合順序)のうちの1つが、少なくとも1つのbfloat16間隔で出力を移動していることがわかった。 5つの断層のうち4つはスイートのチェック無しで検出され、5番目は2つのスケールでのみ検出される。
  論文  参考訳（メタデータ） (2026-08-25T03:05:54Z)
• Low Cost Two-Stage Fabric Defect Detection at the Edge [0.0]
  衣料品産業におけるファブリック検査は主に手作業で行われており、3.45と商業用ヴィジュアルシステムは、ほとんどの中小製粉所以上の価格で販売されている。 4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、FP16でNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。 データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。
  論文  参考訳（メタデータ） (2026-08-12T19:49:00Z)
• The Gentle Collapse: Distributional Metrics for Continual Learning [7.30570760963699]
  本報告では, 真のラベルランク(TLR), 予測信頼度, および, 連続的な忘れを特徴付ける分布の分散度にまたがる6つのソフトマックス由来の指標について紹介する。 CIFAR-100では、これらの指標が正確でない情報を持っている:0%の精度で、Confusion Marginは[0.32, 0.50]のICCにまたがっており、精度は同じである。 損失重みとして使用されるサンプル単位のスコアは、CIFAR-100上の統一経験リプレイ(ER)よりも1.3ポイント少ない。
  論文  参考訳（メタデータ） (2026-06-23T20:53:06Z)
• From CVE to CWE: Syscall-Based HIDS Generalisation [41.99844472131922]
  運用環境では、ディフェンダーは既知の脆弱性の新たなエクスプロイトを認識する必要がある。 我々は,CWE(Common Weaknession)クラスを共有するCVEの正常な動作に基づいて訓練された一級異常検知器が,同一クラス内の別の未知のCVEに一般化するか否かを実証的に検証した。
  論文  参考訳（メタデータ） (2026-06-21T16:34:39Z)
• Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers [0.0]
  デプロイされた安全分類器における分散シフトのオンラインモニタリングシステムを提案する。 検出後、共形吸収層は、目標誤差を回復する決定に適応する。 このシステムは平均遅延39.5800ステップで86.6%の検知を実現している。
  論文  参考訳（メタデータ） (2026-06-10T11:24:25Z)
• Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness [45.148328075418156]
  デプロイされた注文エージェントは、階層の固定された分類に分解される。 純粋なスイートは、ロックされたスライス単位のベースラインに対して、すべての変更でCIで動作する。 制御されたレグレッションインジェクションにより、安全でない7つの層に一度に1つの層を分解し、検証する。
  論文  参考訳（メタデータ） (2026-06-10T05:55:13Z)
• Beyond False Stability: High-Noise Drift Gating for Test-Time Adversarial Defenses in Vision-Language Models [37.24612885977265]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショットの一般化を示すが、敵攻撃に対して非常に脆弱である。 最近のアプローチでは、CLIPの視覚的表現が摂動にどのように反応するかを利用する。 軽量ゲーティング信号として高雑音特徴ドリフトを用いた学習自由なプラグインドリフトゲート機構を提案する。
  論文  参考訳（メタデータ） (2026-06-02T14:49:04Z)
• Architectural Observability Collapse in Transformers [0.0]
  トレーニングは、出力信頼が露呈しない内部的な意思決定品質のシグナルを保持します。 信頼制御は、平均60.3%の生プローブ信号を6つのファミリーの14モデルで吸収する。 Llama 3.1 8Bは、同じ32層、32頭、4096面の形状で崩壊する。
  論文  参考訳（メタデータ） (2026-04-27T02:39:02Z)

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。