論文の概要: Recording-Aware Evaluation of Multimodal OT Intrusion Detection

• arxiv url: http://arxiv.org/abs/2610.24128v1
• Date: Fri, 16 Oct 2026 18:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:50:23.294309
• Title: Recording-Aware Evaluation of Multimodal OT Intrusion Detection
• Title（参考訳）: マルチモーダルOT侵入検出のレコードアウェアによる評価
• Abstract要約: クロスレコードベンチマークのパフォーマンスは、同じレコード、フォワード、テンポラリ、オペレーショナル評価とともに解釈されるべきである。 サイバーモダリティは、最初のラベル付き攻撃の前に、良心と攻撃記録を強く区別する。 寛容なイベントオーバラップメトリクスは、少数の長いアラームエピソードが複数のアクションをカバーする場合、検出をオーバーステートすることができる。
• 参考スコア（独自算出の注目度）: 4.127363880327862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning-based intrusion detection systems (IDSs) for operational technology (OT) are commonly evaluated on benchmark datasets in which normal and attack data are collected in separate recordings. In such settings, high performance may reflect recording-associated differences as well as attack behavior. We introduce a recording-aware evaluation procedure that compares attack windows with background from the same recording, uses prior data for model fitting and calibration, tests temporal alignment against randomized event schedules, and reports event coverage together with alarm burden. On the ProvICS multimodal dataset, cyber modalities strongly distinguish the benign and attack recordings before the first labeled attack. Same-recording evaluation reverses the apparent modality ranking across all studied window sizes: the physical view becomes the strongest individual modality, while cyber-only fusion shows the largest difference between cross-recording and same-recording AUC, reaching 0.54. Operational analysis further shows that permissive event-overlap metrics can overstate detection when a small number of long alarm episodes cover multiple actions. An external analysis on HAI shows smaller and reference-dependent recording sensitivity. These findings show that cross-recording benchmark performance should be interpreted alongside same-recording, forward, temporal, and operational evaluations.
• Abstract（参考訳）: 運用技術(OT)のための機械学習ベースの侵入検知システム(IDS)は、通常データと攻撃データを別々に記録したベンチマークデータセットで一般的に評価される。 このような設定では、ハイパフォーマンスは記録関連の違いや攻撃行動を反映する可能性がある。 本稿では,アタックウィンドウと同一記録からのバックグラウンドを比較し,事前データをモデルフィッティングとキャリブレーションに使用し,ランダム化されたイベントスケジュールに対する時間的アライメントをテストし,アラーム負荷とともにイベントカバレッジを報告する記録認識評価手法を提案する。 ProvICSマルチモーダルデータセットでは、サイバーモダリティは、最初のラベル付き攻撃の前に良性記録と攻撃記録を強く区別する。 物理ビューは最も強い個人モダリティとなり、サイバーのみの融合は、クロスレコードと同一記録のAUCの最大の差を示し、0.54に達する。 操作分析により、少数の長いアラームエピソードが複数のアクションをカバーする場合、パーミッシブなイベントオーバラップメトリクスが過剰に検出できることが示された。 HAIの外部分析は、より小さく、基準に依存した記録感度を示す。 これらの結果から, クロスレコードベンチマークの性能は, 同時記録, フォワード, 時間, 運用評価とともに解釈されるべきであることが示唆された。

関連論文リスト

• Benchmarking Neural Defend ARCAS 1B: A Foundational Multimodal Deepfake Detection Model [1.8241268937128006]
  本稿では,ベンチマーク固有のパラメータを更新することなく,ベンチマークファミリ間のニューラルデペンドARCAS 1Bを評価する。 ベンチマークネイティブの結果をプールされたサマリーと区別することにより、テスト人口、クラスバランス、記録の欠如を可視化する。
  論文  参考訳（メタデータ） (2026-09-21T09:15:02Z)
• IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT [0.0]
  Internet of Medical Things (IoMT)は、臨床生理学的データとサイバーシステム情報を組み合わせて、異常な読み取りが真の生理的事象、デバイス障害、または期待される生理的範囲内でのサイバー攻撃を反映するかどうかを判断する課題を生み出している。 IoMT-SecAlarmBenchは, 4つの攻撃形態, 4つの重度レベル, 2つの生理的可視性条件, リプレイアタックを組み合わせた構造化された実験設計を用いて, 真のECG+記録に制御整合性攻撃を注入する半合成ベンチマークである。 リプレイ攻撃と低振幅の過渡スパイクは、常に最も難しいケースを検出する方法はない。
  論文  参考訳（メタデータ） (2026-08-26T21:29:26Z)
• From Frames to Events: Rethinking Evaluation in Human-Centric Video Anomaly Detection [9.404376027901277]
  ポースベースのビデオ異常検出(VAD)は、プライバシー保護の性質と環境変動に対する堅牢性において大きな注目を集めている。 従来のフレームレベルの評価では、ビデオは孤立したフレームの集合として扱われ、現実の世界で異常がどのように現れ、行動するかを根本的に誤解している。 本稿では,階層的なガウススムースメントと適応二項化を備えたスコアリファインメントパイプラインと,イベントレベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルという,時間的イベントローカライゼーションのための2つの戦略を紹介する。
  論文  参考訳（メタデータ） (2026-04-10T13:52:18Z)
• Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets [71.53287557600177]
  イベントベースの異常検出を統一研究の方向性として確立するための第一歩を踏み出す。 まず、同期イベントとRGB記録を特徴とする、ビデオ異常検出のための複数のイベントストリームベースのベンチマークを構築した。 次に,EVent中心のビデオ異常検出フレームワークであるEWADを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:33:33Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• ORCHID: Streaming Threat Detection over Versioned Provenance Graphs [11.783370157959968]
  本稿では,リアルタイムイベントストリーム上でプロセスレベルの脅威を詳細に検出する新しいProv-IDSであるORCHIDを提案する。 ORCHIDは、バージョン付き前処理グラフのユニークな不変特性を利用して、グラフ全体を逐次RNNモデルに反復的に埋め込む。 我々は、DARPA TCを含む4つの公開データセット上でORCHIDを評価し、ORCHIDが競合する分類性能を提供できることを示す。
  論文  参考訳（メタデータ） (2024-08-23T19:44:40Z)
• Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
  ドライバーの気晴らしが道路事故の主要な原因であることが知られている。 State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。 本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-17T21:22:41Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンド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） (2020-08-27T18:39:24Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。