論文の概要: Curv-Tail: Lightweight Long-Tailed Encrypted Traffic Classification with Discrete Packet-Length Encoding and Lorentz Prototypes

• arxiv url: http://arxiv.org/abs/2609.32242v1
• Date: Sat, 26 Sep 2026 05:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 18:32:32.849133
• Title: Curv-Tail: Lightweight Long-Tailed Encrypted Traffic Classification with Discrete Packet-Length Encoding and Lorentz Prototypes
• Title（参考訳）: Curv-Tail:離散パケット長符号化とローレンツプロトタイプを用いた軽量長文暗号化トラフィック分類
• Abstract要約: Curv-Tailは軽量でエンドツーエンドのパケット・バイト・フレームワークで、個別の事前訓練段階なしでトレーニングされている。 混合分解能トークン化は、境界範囲内で正確なパケット長のIDを保持し、語彙を制限するためにより大きな値を粗くする。 NUDT-Mobile と DataCon-Website において、Curv-Tail は平均 Tail-F1 スコアが85.70% と 46.30% で、それぞれ2.91 と 1.89 で評価されたベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 20.46243447235943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed encrypted traffic classification requires accurate recognition of infrequent classes under limited computational budgets. We propose Curv-Tail, a lightweight, end-to-end packet--byte framework trained without a separate pretraining stage. Mixed-resolution tokenization preserves exact packet-length identities within a bounded range and coarsens larger values to limit the vocabulary. An auxiliary objective predicts observed length tokens from contextual packet features before pooling, encouraging length-token retention beyond flow-level supervision. Compact temporal encoders process packet sequences and directional byte patches, and Lorentz prototypes with a shared learnable curvature magnitude classify their fused representation. On NUDT-Mobile and DataCon-Website under natural class frequencies, Curv-Tail achieves three-seed mean Tail-F1 scores of 85.70% and 46.30%, exceeding the strongest evaluated baselines by 2.91 and 1.89 percentage points, respectively. In 300-class profiling on an RTX 4090 with FP32 and batch size 256, Curv-Tail uses 98.48% fewer parameters and achieves 10.2 times the batch inference throughput of MM4Flow.
• Abstract（参考訳）: 長い尾の暗号化されたトラフィック分類は、限られた計算予算の下で、頻繁なクラスを正確に認識する必要がある。 そこで我々は,個別の事前学習段階を使わずにトレーニングした,軽量でエンドツーエンドのパケット・バイト・フレームワークであるCurv-Tailを提案する。 混合分解能トークン化は、境界範囲内で正確なパケット長のIDを保持し、語彙を制限するためにより大きな値を粗くする。 補助的目的は、プール前に観測された長さトークンをコンテキストパケットの特徴から予測し、フローレベルの監視を超えた長さ保持を奨励する。 小型の時間エンコーダはパケットシーケンスと方向バイトパッチを処理し、共有可能な曲率を持つローレンツのプロトタイプは、その融合表現を分類する。 NUDT-Mobile と DataCon-Website において、Curv-Tail は平均 Tail-F1 スコアが85.70% と 46.30% で、それぞれ2.91 と 1.89 で評価されたベースラインを上回っている。 FP32とバッチサイズ256のRTX 4090上の300クラスのプロファイリングでは、Curv-Tailは98.48%のパラメータを使用し、MM4Flowのバッチ推論スループットの10.2倍を達成する。

関連論文リスト

• Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
  CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。 広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。 TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
  論文  参考訳（メタデータ） (2026-09-16T02:41:41Z)
• Layer-Wise Gate-Controlled Prompt Truncation in a Multimodal Chest X-Ray Classifier [0.29220618839527807]
  二重胸部X線分類試験において, 層幅のゲーティング拡張について検討した。 コントローラは、各サンプルの保持率を予測し、これらの比率をミニバッチ内で平均し、その結果の整数長を用いて、静的かつ混合された視覚的プロンプトを切断する。 ゲートモデルの精度は0.8996であり、固定長のベースラインでは0.8969であった。
  論文  参考訳（メタデータ） (2026-09-06T13:15:11Z)
• Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
  有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。 このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。 Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
  論文  参考訳（メタデータ） (2026-07-08T05:48:57Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• Chameleon: A MatMul-Free Temporal Convolutional Network Accelerator for End-to-End Few-Shot and Continual Learning from Sequential Data [0.15178034047411867]
  エッジでのデバイス上での学習により、低レイテンシ、長期的な堅牢性の向上とメンテナンスコストの削減による個人化が可能になる。 スケーラブルで低消費電力のエンド・ツー・エンドのオン・チップ・ラーニングを実現するには、特に実世界のシーケンシャルなデータに限られた数のサンプルを組み込むことは、オープンな課題である。 Chameleonを紹介します。これらの課題を解決するために3つの重要なコントリビューションを活用します。
  論文  参考訳（メタデータ） (2025-05-30T17:49:30Z)
• Training Long-Context LLMs Efficiently via Chunk-wise Optimization [60.05884946552877]
  textitSequential Chunk-wise Optimization (SeCO) は、長い入力を管理可能なチャンクに分割するメモリ効率の訓練パラダイムである。 textitSparse Chunk-wise Optimization (SpaCO)を導入し、特定のチャンクへの勾配を選択的に伝播することで計算オーバーヘッドを削減する。 SpaCOは、コンテキスト長からバックプロパゲーションの計算コストを分離し、シーケンスが長くなるにつれて、トレーニング時間が徐々に推論時間に収束することを可能にする。
  論文  参考訳（メタデータ） (2025-05-22T14:11:34Z)
• ParallelComp: Parallel Long-Context Compressor for Length Extrapolation [51.68913021512016]
  超長い文脈(テキスト長 >128K)の補間は、大きな言語モデル(LLM)にとって大きな課題である。 本研究では,メモリボトルネックを効果的に克服する並列長コンテキスト圧縮手法であるParallelCompを提案する。 チャンクスループットが1.76倍向上し、プリフィル段階では23.50倍の高速化を実現し、性能損失を無視できる。
  論文  参考訳（メタデータ） (2025-02-20T07:10:43Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• CodedPaddedFL and CodedSecAgg: Straggler Mitigation and Secure Aggregation in Federated Learning [86.98177890676077]
  本稿では, 階層化デバイスの効果を緩和する線形回帰のための2つの新しい符号付きフェデレーションラーニング手法を提案する。 最初のスキームであるCodedPaddedFLは、従来のFLのプライバシレベルを維持しながら、ストラグリングデバイスの効果を緩和する。 第2のスキームであるCodedSecAggは、モデル反転攻撃に対するストラグラーレジリエンスと堅牢性を提供する。
  論文  参考訳（メタデータ） (2021-12-16T14:26:30Z)

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。