Fugu-MT 論文翻訳(概要): Adaptive and Proximal Federated Optimization for Transferable Network Intrusion Detection

論文の概要: Adaptive and Proximal Federated Optimization for Transferable Network Intrusion Detection

arxiv url: http://arxiv.org/abs/2610.19808v1
Date: Wed, 14 Oct 2026 08:49:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:16.042616
Title: Adaptive and Proximal Federated Optimization for Transferable Network Intrusion Detection
Title（参考訳）: 転送可能なネットワーク侵入検出のための適応的および近似的フェデレーション最適化
Abstract要約: 我々は、FedAvgとブートストラップと時間平均化を組み合わせることで、デバイス間NIDSの転送性が向上することを示した。ブートストラップとSMOTEの2つのデータバランシング戦略を比較した。 SMOTEは、ブートストラップよりもペアごとの精度を向上させるが、幅を小さくし、深さvs幅のトレードオフを明らかにする。
参考スコア（独自算出の注目度）: 4.325839806295879
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Network Intrusion Detection Systems (NIDS) based on deep learning often fail to detect attack classes that are absent from training data, limiting their robustness against zero-day threats. This property called transferability across attack classes, remains underexplored especially in federated learning (FL) settings where data heterogeneity and client drift pose additional challenges. Prior work (TabFIDS) showed that FedAvg combined with bootstrapping and temporal averaging improves transferability for cross-device NIDS. In this paper, we explore whether other federated optimizers can do better. We compare two optimizers inspired by FedAdam and FedProx against the FedAvg baseline on the CIC-IDS 2017 dataset using an 11-client federated setup, sweep 10 hyperparameter configurations, and contrast two data-balancing strategies: bootstrapping and SMOTE. Using the count of client pairs whose transferred-model accuracy exceeds 70% as our primary metric (following TabFIDS), the proximal optimizer with a strong regularization term yields 48 transferable pairs versus 42 for FedAvg, while the adaptive optimizer with an aggressive server learning rate yields 46 pairs. SMOTE improves per-pair accuracy over bootstrapping but reduces breadth, revealing a depth-vs-breadth trade-off: high accuracy on a few client pairs versus moderate accuracy across most. These results indicate that the choice of federated optimizer, the rule by which client updates are regularized and aggregated into the global model, is very important for federated NIDS.
Abstract（参考訳）: 深層学習に基づくネットワーク侵入検知システム(NIDS)は、訓練データに欠ける攻撃クラスの検出に失敗し、ゼロデイ脅威に対する堅牢性を制限する。攻撃クラス間での転送可能性と呼ばれるこの特性は、特にデータ不均一性とクライアントのドリフトがさらなる課題を引き起こすフェデレートラーニング(FL)環境では、未探索のままである。以前の研究(TabFIDS)では、FedAvgとブートストラップと時間平均化を組み合わせることで、クロスデバイスNIDSの転送性が向上した。本稿では,他のフェデレーションオプティマイザが有効であるかどうかを考察する。 CIC-IDS 2017データセットのFedAvgベースラインに対して、FedAdamとFedProxにインスパイアされた2つのオプティマイザを比較した。転送モデルの精度が70%を超えるクライアントペアの数を主指標として(TabFIDSを追従する)、強い正規化項を持つ近似オプティマイザは48対、FedAvgは42対、アグレッシブなサーバ学習率を持つ適応オプティマイザは46対である。 SMOTEは、ブートストラップよりもペアごとの精度を改善するが、幅を小さくし、深さvs-breadthのトレードオフを明らかにしている。これらの結果から,クライアント更新を正規化してグローバルモデルに集約するルールであるフェデレートオプティマイザの選択が,フェデレートNIDSにとって非常に重要であることが示唆された。

関連論文リスト

FedLBW: A Loss-Based Weighting Strategy for Federated Learning on Non-IID Data in Wireless Networks [2.4851820343103035]
フェデレートラーニング(FL)は、プライバシを保持しながら、分散クライアント間でのコラボレーティブ機械学習(ML)を可能にする。 FedAvgのような従来のFLアルゴリズムは、クライアント更新を重み付けするためにデータセットのサイズのみに依存している。 FedLBW(Federated Learning with Loss-Based Weighting)は、各クライアントの更新を検証損失の逆の重みに割り当てる新しいアグリゲーション手法である。
論文参考訳（メタデータ） (2026-08-07T09:21:37Z)
FedPDPO: Federated Personalized Direct Preference Optimization for Large Language Model Alignment [55.97027207627]
Fed PDPO(Federated Personalized Direct Preference Optimization)は、大規模言語モデル(LLM)の優先順位調整のためのパーソナライズされたフレームワークである。パラメータ効率の良い微調整アーキテクチャを採用し、各クライアントはLow-Rank Adaptation (LoRA)アダプタで拡張された凍結したLLMバックボーンを維持し、通信効率のよいアグリゲーションを可能にする。複数の嗜好データセットの実験では、最先端のパフォーマンスを示し、フェデレーション付きドメイン内およびクロスドメイン設定の平均精度が4.80%向上した。
論文参考訳（メタデータ） (2026-03-20T08:24:49Z)
FedZMG: Efficient Client-Side Optimization in Federated Learning [0.19116784879310023]
Federated Zero Mean Gradients (FedZMG) はパラメータフリーのクライアントサイド最適化アルゴリズムである。 FedZMGは局所勾配をゼロ平均超平面に投影し、不均一なデータ分布に固有の「強度」あるいは「バイアス」シフトを効果的に中和する。
論文参考訳（メタデータ） (2026-02-20T17:45:28Z)
Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning [61.249748418757946]
Asynchronous Federated Learning (FL)は、その効率性とスケーラビリティの向上に注目されている。我々は,不確実性を考慮した蒸留を組み込んだ新しいフレームワークであるFedEchoを提案し,非同期FL性能を向上する。 FedEchoが既存の非同期フェデレーション学習ベースラインを一貫して上回っていることを実証する。
論文参考訳（メタデータ） (2025-11-25T06:25:25Z)
Leveraging Function Space Aggregation for Federated Learning at Scale [20.866482460590973]
クライアントが学習した関数に対する局所近似を集約するアルゴリズムであるFedFishを提案する。我々はFedFishを、現実的で大規模なクロスデバイスベンチマークで評価する。
論文参考訳（メタデータ） (2023-11-17T02:37:10Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)
Optimizing Server-side Aggregation For Robust Federated Learning via Subspace Training [80.03567604524268]
クライアント間の非IIDデータ分散と中毒攻撃は、現実世界のフェデレーション学習システムにおける2つの大きな課題である。サーバ側集約プロセスを最適化する汎用的なアプローチであるSmartFLを提案する。本稿では,SmartFLの収束と一般化能力に関する理論的解析を行う。
論文参考訳（メタデータ） (2022-11-10T13:20:56Z)
Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-13T15:39:43Z)
Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文参考訳（メタデータ） (2022-03-05T02:31:32Z)
FedMM: Saddle Point Optimization for Federated Adversarial Domain Adaptation [6.3434032890855345]
フェデレートされたドメイン適応は、クライアント間のラベルの不均衡の頻度のため、ユニークなミニマックストレーニングタスクである。本稿では,フェデレーション適応問題に特化して設計されたFedMMと呼ばれる分散ミニマックスドメインを提案する。我々はFedMMがドメインシフトした教師なしデータで定常点への収束を保証することを証明した。
論文参考訳（メタデータ） (2021-10-16T05:32:03Z)

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。