論文の概要: Systematically Optimized CNN-Transformer with Focal Loss for Imbalanced Intrusion Detection on NSL-KDD

• arxiv url: http://arxiv.org/abs/2610.08066v1
• Date: Tue, 06 Oct 2026 10:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.924716
• Title: Systematically Optimized CNN-Transformer with Focal Loss for Imbalanced Intrusion Detection on NSL-KDD
• Title（参考訳）: NSL-KDDにおける不均衡侵入検出のための焦点損失を有する系統最適化CNN変換器
• Abstract要約: 侵入検知システム(IDS)は、NSL-KDDのような不均衡なデータセット、特にまれなR2LとU2R攻撃を検出するのに苦労する。 この研究は、高度に不均衡なデータを改善するためにCNN-Transformerアーキテクチャを用いて、体系的に最適化され、説明可能なフレームワークを記述する。
• 参考スコア（独自算出の注目度）: 5.442955439283728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intrusion Detection Systems (IDS) struggle with imbalanced datasets like NSL-KDD, especially in detecting rare R2L and U2R attacks. This work describes a systematically optimized and explainable framework using a CNN-Transformer architecture to improve performance on highly imbalanced data. We decided to use XGBoost for feature selection and Focal Loss as the main mechanism for minority class learning. We used Optuna for end-to-end hyrate=0.00042, batch size=256, and Focal Loss γ), using a thoughtful data splitting process to prevent data leakage. Critically, our ablation studies pointed out that while Focal Loss (optimally at γ = 1.5) substantially enhanced minority recall, adding oversampling methods like SMOTE caused precision degradation via over-correction. Our final model, using only tuned Focal Loss, achieved 98.73% overall accuracy on the NSL-KDD test data, with significantly balanced F1-scores of 84.63% (R2L) and 69.66% (U2R) over baseline approaches. Additionally, we performed SHAP analysis to understand model predictions, understand salient features (e.g., service http, logged in), and explain the persistent U2R precision challenge due to feature overlap. This study presents a comprehensive pipeline for imbalanced IDS, providing methodological insights, and demonstrates that tuned Focal Loss can be a sufficient and effective strategy for class balancing.
• Abstract（参考訳）: 侵入検知システム(IDS)は、NSL-KDDのような不均衡なデータセット、特にまれなR2LとU2R攻撃を検出するのに苦労する。 この研究は、CNN-Transformerアーキテクチャを用いて、高度に不均衡なデータの性能を改善するために、体系的に最適化され、説明可能なフレームワークを記述する。 我々は,XGBoostを特徴選択に利用し,Focal Lossをマイノリティクラス学習のメインメカニズムとした。 我々は、データ漏洩を防ぐための思慮深いデータ分割プロセスを用いて、エンドツーエンドのハイレート=0.00042、バッチサイズ=256、Focal Loss γにOptunaを使用した。 以上の結果から,Focal Loss(最適はγ = 1.5)はマイノリティリコールを著しく向上させ,SMOTEなどのオーバーサンプリング手法を付加することで,オーバーコレクションによる精度低下を招いたことが示唆された。 最終モデルはF1スコアが84.63%(R2L)、U2Rが69.66%(U2R)であったため、NSL-KDDテストデータでは98.73%の精度を達成した。 さらに、モデル予測を理解し、健全な特徴(例えば、サービスhttp、ログイン)を理解し、機能の重複による持続的なU2R精度の課題を説明するために、SHAP分析を実施しました。 本研究は,不均衡なIDSのための包括的パイプラインを提案し,方法論的な洞察を提供し,調整されたFocal Lossが,クラスバランスのための十分かつ効果的な戦略であることを実証する。

関連論文リスト

• Evolutionary Multi-Objective Fusion of Deepfake Speech Detectors [0.17398560678845076]
  本稿では,検出誤差とシステム複雑性を両立させる多目的スコア融合フレームワークを提案する。 36個のSSLベースの検出器を用いたASVspoof 5データセットの実験では、得られたフロントは単純な平均値とロジスティック回帰基準よりも優れていた。 提案手法は多様なトレードオフソリューションも提供し,精度と計算コストのバランスをとるデプロイメントの選択を可能にする。
  論文  参考訳（メタデータ） (2026-04-01T19:17:59Z)
• Surrogates, Spikes, and Sparsity: Performance Analysis and Characterization of SNN Hyperparameters on Hardware [3.632189127068905]
  スパイキングニューラルネットワーク(SNN)は、スパースでイベント駆動型計算による低消費電力推論に固有の利点を提供する。 SNNの理論的エネルギの利点は、トレーニング時間選択と推論時間間隔の間の不透明な関係のため、実際のハードウェア性能から切り離されることが多い。
  論文  参考訳（メタデータ） (2026-03-26T00:12:43Z)
• IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection [0.4549831511476248]
  侵入検知システム(IDS)は、NSL-KDDのようなベンチマークデータセットにおいて、サイバー攻撃の進化、高次元トラフィックデータ、厳しいクラス不均衡により、永続的な課題に直面している。 IntrusionXは,局所的特徴抽出のための畳み込みニューラルネットワーク(CNN)と時間的モデリングのためのLong Short-Term Memory(LSTM)ネットワークを統合したハイブリッドディープラーニングフレームワークである。 パイプラインには厳密な前処理,階層化データ分割,動的クラス重み付けが組み込まれ,レアクラスの検出が促進される。
  論文  参考訳（メタデータ） (2025-10-01T06:51:25Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Dynamically Mitigating Data Discrepancy with Balanced Focal Loss for Replay Attack Detection [10.851348154870852]
  我々は、アンチ・スプーフィングにおいては、モデリングプロセスにおいて容易に分類されたサンプルよりも識別不能なサンプルに注意が必要であると論じている。 本研究は, サンプル自体の特性に基づいて, 損失を動的にスケールする訓練目的として, バランスの取れた焦点損失関数を活用することを提案する。 相補的な特徴により、3種類の機能しか持たない融合系は他のシステムよりも22.5%、min-tDCFが7%、EERが7%向上する。
  論文  参考訳（メタデータ） (2020-06-25T17:06:47Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。