論文の概要: HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks

• arxiv url: http://arxiv.org/abs/2610.02048v1
• Date: Thu, 01 Oct 2026 16:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.315321
• Title: HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks
• Title（参考訳）: HydroJEV: 配水ネットワークにおけるサイバー攻撃とフォールトアトリビューションのための1秒のトレーニング不要スクリーン
• Abstract要約: Jevはトレーニング不要のモデルで、約1秒でクラスの確率を返す。 高速でトレーニング不要なスクリーンは、SCADA異常トリアージのレビュー負荷の約3分の1を占めることができる。
• 参考スコア（独自算出の注目度）: 7.419782315780175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a SCADA alarm is raised in a water distribution network, operators must decide quickly whether it reflects a cyberattack, a physical fault, a normal transient or a faulty sensor. Supervised classifiers need labelled incidents that utilities rarely have, and frontier large language models (LLMs) take tens of seconds per decision. We tested whether Jev, a training-free model that returns class probabilities in about one second, can serve as the first tier of this triage. On a four-class cause-attribution benchmark built on the C-Town network in EPANET, Jev was compared with a hand-written rule tree, a supervised classifier and seven cloud LLMs on identical evidence in four sealed, pre-registered rounds. With only a label-free prior correction, Jev matched the rule tree (macro-F1 0.62-0.64 against 0.56-0.61 in distribution) and exceeded the supervised classifier by 0.36-0.42 on event subtypes absent from its labels, in all four rounds, and it outperformed the classifier whenever fewer than about four labelled events per class were available. Jev also decided 20-40 times faster than frontier LLMs. Accepting only benign Jev verdicts confirmed by the rule tree spared an LLM reviewer 35-38% of windows on fresh sealed sets without loss of macro-F1. Transferred unchanged to two further networks, this gated cascade stayed within the non-inferiority margin of its reviewer on all four sets. A fast, training-free screen can therefore take over about a third of the review load in SCADA anomaly triage while preserving the accuracy of deliberate review.
• Abstract（参考訳）: SCADAアラームが配水ネットワークで起動されると、オペレーターはサイバー攻撃、物理的障害、正常な過渡性、または異常なセンサーを迅速に反映するかを判断しなければならない。 監視された分類器はユーティリティがほとんど持たないラベル付きインシデントを必要とし、フロンティア大言語モデル(LLM)は決定に数秒かかる。 約1秒でクラス確率を返すトレーニング不要のモデルであるJevが、このトリアージの第1段階として機能するかどうかをテストしました。 EPANETのC-Townネットワーク上に構築された4種類の因果関係のベンチマークでは、Jevは手書きのルールツリー、教師付き分類器、および4つの封印された事前登録ラウンドでの同一の証拠に関する7つのクラウドLCMと比較された。 ラベルなしの事前修正のみで、Jevはルールツリー(ディストリビューションで0.56-0.61とmacro-F1 0.62-0.64)と一致し、ラベルから欠落したイベントサブタイプでは0.36-0.42を上回り、クラス毎に約4つのラベル付きイベントが利用可能であるたびにその分類器を上回った。 また、ジェブはフロンティア LLM の20-40倍の速度を決定した。 LLMレビュアーの35～38%の窓をマクロF1を失わずに封入した。 さらに2つのネットワークに移行したが、このゲート付きカスケードは4セット全てでレビュアーの非非不平等マージンに留まった。 高速でトレーニング不要なスクリーンは、意図的なレビューの精度を維持しながら、SCADA異常トリアージのレビュー負荷の約3分の1を乗っ取ることができる。

関連論文リスト

• False Floors: LLM Safety Routing Evaluations Break Under Distribution Shift [0.8041659727964307]
  安全ルータは、各要求を複数のモデルのいずれかに送信し、最良の単一モデルに対して判断される。 私たちはそれを害と正確性に基づいてサイズし、測定した保持された分割よりも大きいことを示し、楽観主義とシフト依存の後悔によって束縛します。
  論文  参考訳（メタデータ） (2026-10-01T12:09:28Z)
• Federated Binary Gating with Server-Side Vision-Language Inference for Surveillance Anomaly Classification [0.24629531282150874]
  サーバ側ゼロショットVLM推論とCNNゲートを組み合わせたハイブリッド2段アーキテクチャを提案する。 我々は,UCF-Crimeを5つの粗いメタクラスに分類し,実際の3ノードヘテロジニアス展開においてフェデレーションステージを実装した。
  論文  参考訳（メタデータ） (2026-09-07T12:14:57Z)
• TTPO: Test-Time Policy Optimization [53.81524570216593]
  テストタイムポリシー最適化(TTPO)は、OPSDを介してロールアウトに同意し、Grouped RLと不一致なロールアウトを罰する非対称な目的である。 TTPOは5つの競合レベルのベンチマークでラベル管理されたOPSDと一致し、Qwen3-1.7Bは38.0%から45.2%まで上昇し、思考せずに+25.2%から+36.4%に上昇し、クロスタスクの一般化を示す。
  論文  参考訳（メタデータ） (2026-08-27T17:58:10Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
  本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。 推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。 全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
  論文  参考訳（メタデータ） (2026-07-30T16:33:26Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Sensitivity Analysis of GRU, LSTM and Transformer Encoder in Classification of Automated Driving Systems [0.5156484100374058]
  安全監視, 規制コンプライアンス, 保険評価, 異常検出において, どの自動運転システムがアクティブかを独立に検証するモニタリングシステムは重要である。 まず、GRU(Gated Recurrent Units)、LSTM(Long Short-Term Memory)、Transformer encoder(Transformer encoder)の3つのシーケンスベース分類モデルの有効性を評価する。 3モデルとも、クリーンなデータでトレーニングすると、マクロF1スコアが0.92(GRU)、LSTMが0.90(Transformer encoder model)、そして0.93(Transformer encoder model)となる。
  論文  参考訳（メタデータ） (2026-07-25T01:31:37Z)
• A Decomposable Probe for Few-Step Diffusion Models: Prompt, Latent, and Score Selectivity across Backbone Families and Distillation Paradigms [0.0]
  拡散学生は50～1-8のネットワーク評価からテキスト・ツー・イメージ・推論を減らした。 我々はスカラーを3つの層に沿って制御された摂動を注入する分解可能なプローブで置き換える。 Inception機能に対するブートストラップ中間のBures W22選択率について報告する。
  論文  参考訳（メタデータ） (2026-07-03T12:18:24Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。