論文の概要: AdaFedXplain: Adaptive Federated Learning with Explainable AI for Ransomware Detection

• arxiv url: http://arxiv.org/abs/2610.25318v1
• Date: Sun, 18 Oct 2026 14:55:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:09:35.245189
• Title: AdaFedXplain: Adaptive Federated Learning with Explainable AI for Ransomware Detection
• Title（参考訳）: AdaFedXplain: ランサムウェア検出のための説明可能なAIによる適応型フェデレーション学習
• Abstract要約: 本稿では,ランサムウェア検出のためのAIベースの適応型学習システムであるAdaFedXplainを紹介する。 AdaFedXplainをFedAvg、FedProx、SCAFFOLDと比較した。 AdaFedXplainは全ベースラインを99.59%の精度と99.64%のF1スコアで上回り、エネルギー使用量を75%削減し、遅延を65%、通信オーバーヘッドを75%削減した。
• 参考スコア（独自算出の注目度）: 0.7440170908149746
• License:
• Abstract: Attacks using ransomware have developed into complex multiphase campaigns that target vital infrastructure, resulting in annual damages of billions of dollars. Conventional detection techniques are ineffective against zero-day variations, and privacy issues are raised by centralized machine learning algorithms. Federated learning allows for cooperative model training without data sharing, however current FL approaches suffer from explainability issues, high communication cost, and non-IID data heterogeneity. In this study, we present AdaFedXplain, an explainable AI-based adaptive federated learning system for ransomware detection. Our approach includes progressive XGBoost complexity to avoid overfitting, a decaying learning rate schedule for stable convergence, and dynamic client grading based on ransomware prevalence and data sufficiency. Using 62,485 real-world ransomware samples from four OS-based non-IID clients, we compare AdaFedXplain against FedAvg, FedProx, and SCAFFOLD. According to experimental data, AdaFedXplain outperforms all baselines with 99.59% detection accuracy and 99.64% F1-score while cutting energy usage by 75%, latency by 65%, and communication overhead by 75%. The ablation investigation demonstrates that every element enhances performance. Security analysts can use SHAP explainability to identify important PE header characteristics that influence detection decisions. Our system provides a collaborative ransomware detection solution that is efficient and interpretable, while reducing privacy risks through federated learnings data-local training paradigm.
• Abstract（参考訳）: ランサムウェアを使った攻撃は、重要なインフラをターゲットにした複雑な多段階のキャンペーンへと発展し、年間数十億ドルの損害をもたらした。 従来の検出技術はゼロデイの変動に対して効果がなく、中央集権的な機械学習アルゴリズムによってプライバシーの問題が提起される。 フェデレートラーニングは、データ共有なしで協調的なモデルトレーニングを可能にするが、現在のFLアプローチは、説明可能性の問題、高い通信コスト、および非IIDデータの異種性に悩まされている。 本研究では,ランサムウェア検出のためのAIベースの適応型フェデレーション学習システムであるAdaFedXplainを提案する。 我々のアプローチには、オーバーフィッティングを回避するためのプログレッシブXGBoostの複雑さ、安定収束のための減衰学習率スケジュール、ランサムウェアの頻度とデータ充足率に基づく動的クライアントグレーディングが含まれる。 AdaFedXplainをFedAvg、FedProx、SCAFFOLDと比較した。 実験データによると、AdaFedXplainは全ベースラインを99.59%の検出精度と99.64%のF1スコアで上回り、エネルギー使用量を75%、レイテンシを65%、通信オーバーヘッドを75%削減している。 アブレーション調査は、全ての要素が性能を高めることを示した。 セキュリティアナリストはSHAP説明可能性を使用して、検出決定に影響を与える重要なPEヘッダ特性を特定できる。 本システムは,フェデレーション学習データローカルトレーニングパラダイムによるプライバシーリスクを低減しつつ,効率的かつ解釈可能な協調ランサムウェア検出ソリューションを提供する。

関連論文リスト

• FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
  ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。 現在の最先端のボット検出モデルは、主に独立して開発されている。 クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:13:41Z)
• ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
  Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。 最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。 ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
  論文  参考訳（メタデータ） (2026-02-28T07:25:32Z)
• FedAPA: Federated Learning with Adaptive Prototype Aggregation Toward Heterogeneous Wi-Fi CSI-based Crowd Counting [12.376024466247415]
  Wi-Fiチャネル状態情報(CSI)に基づくセンシングは、人間の活動認識や群衆カウントといったタスクに対して、非侵襲的でデバイスフリーなアプローチを提供する。 本稿では、アダプティブプロトタイプアグリゲーション(APA)戦略を用いて、類似度に基づく重み付けをピアプロトタイプに割り当てる、協調的なWi-Fi CSIベースのセンシングアルゴリズムであるFedAPAを提案する。 我々は、FedAPAの収束分析を行い、6つの環境と最大20人の実世界分散Wi-Fiクラウドカウントシナリオで評価する。
  論文  参考訳（メタデータ） (2025-11-26T04:33:57Z)
• Adaptive Deception Framework with Behavioral Analysis for Enhanced Cybersecurity Defense [0.0]
  本稿では,CICIDS 2017データセット上で99.88%の検出率と0.13%の偽陽性率を達成する適応型偽装フレームワークであるCADLを提案する。 このフレームワークは、アンサンブル機械学習(Random Forest、XGBoost、Neural Networks)と行動プロファイリングを組み合わせて、ネットワーク侵入に対する応答を特定し、適応する。 当社はオープンソース実装と透過的なパフォーマンス指標を提供し、年間150～400ドルの商用偽装プラットフォームに代わる、アクセス可能な代替手段を提供しています。
  論文  参考訳（メタデータ） (2025-10-02T16:52:05Z)
• VISION: Robust and Interpretable Code Vulnerability Detection Leveraging Counterfactual Augmentation [6.576811224645293]
  グラフニューラルネットワーク(GNN)は、構造的および論理的コード関係をデータ駆動で学習することができる。 GNNは表面的なコード類似性から'spurious'相関を学習することが多い。 我々は、VISIONと呼ばれる堅牢で解釈可能な脆弱性検出のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:20:39Z)
• Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning [1.0678175996321808]
  IoT(Internet of Things)は、インテリジェンスを日常のオブジェクトに統合するブレークスルー技術として紹介されている。 IoTネットワークが拡大し、拡大するにつれ、サイバーセキュリティ攻撃の影響を受けやすくなっている。 本稿では,これらの課題に対処する新しい侵入検知手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T06:30:22Z)
• PrivFED -- A Framework for Privacy-Preserving Federated Learning in Enhanced Breast Cancer Diagnosis [0.0]
  本研究では、ウィスコンシンデータセットに基づいてトレーニングされたフェデレーション学習フレームワークを導入し、データの不足や不均衡といった課題を軽減する。 このモデルの平均精度はエッジデバイスで99.95%、中央サーバで98%である。
  論文  参考訳（メタデータ） (2024-05-13T18:01:57Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning [51.15273664903583]
  データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。 本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
  論文  参考訳（メタデータ） (2021-02-01T06:06:21Z)

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。