論文の概要: Bridging the Closed-World Gap: Interpretable Anomaly Detection via a Hybrid TSK-FCM Ensemble on the BETH Dataset

• arxiv url: http://arxiv.org/abs/2610.30576v1
• Date: Thu, 22 Oct 2026 01:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.180775
• Title: Bridging the Closed-World Gap: Interpretable Anomaly Detection via a Hybrid TSK-FCM Ensemble on the BETH Dataset
• Title（参考訳）: 閉世界ギャップのブリッジ:BETHデータセット上のハイブリッドTSK-FCMアンサンブルによる解釈可能な異常検出
• Abstract要約: 本稿では,教師なしクラスタリングの適応性と教師あり学習の精度を相乗化するハイブリッドファジィアンサンブルを提案する。 我々の研究の重要な発見は、従来のファジィなメンバーシップスコアが次元の呪いによって高次元の特徴空間で劣化することである。 このアプローチにより、BETHテストセットで0.9951の最先端のAUROCが得られ、オリジナルのアイソレーション・フォレスト・ベースラインを17.1%上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental paradox plagues the deployment of Machine Learning in cybersecurity: supervised models generalize poorly to novel, Out-of-Distribution (OoD) attacks, whereas unsupervised models often suffer from poor separability, leading to unmanageable false-alarm rates. This challenge is exemplified by the BETH dataset, a kernel-level benchmark in which the training data consists solely of benign and suspicious insider behaviors, whereas the test set consists almost entirely of novel botnet activation attacks. To bridge this detection gap, we propose a Hybrid Fuzzy Ensemble that synergizes the precision of supervised learning with the adaptability of unsupervised clustering. Our architecture integrates a gradient-optimized Takagi-Sugeno-Kang (TSK) fuzzy classifier to act as an expert on known insider threats, with a parallel Fuzzy C-Means (FCM) module to detect geometric anomalies. A critical finding of our research is that traditional fuzzy membership scores degrade in high-dimensional feature spaces due to the curse of dimensionality. We overcome this by introducing a robust Min Distance metric that exploits the raw geometric isolation of botnet activation attacks. This approach yields a state-of-the-art AUROC of 0.9951 on the BETH test set, outperforming the original Isolation Forest baseline by 17.1%. By combining near-perfect OoD detection with the intrinsic interpretability of fuzzy logic, our framework offers a viable path toward robust, transparent, and autonomous network defense.
• Abstract（参考訳）: 教師なしモデルは、新規なアウト・オブ・ディストリビューション(OoD)攻撃に悪影響を及ぼす一方、教師なしモデルは、しばしば分離性に乏しいため、管理不能な偽アラームレートにつながる。 この課題は、トレーニングデータが良質で疑わしいインサイダー行動のみで構成されるカーネルレベルのベンチマークであるBETHデータセットで実証されている。 この検出ギャップを埋めるために,教師あり学習の精度と教師なしクラスタリングの適応性を相乗化するハイブリッドファジィアンサンブルを提案する。 我々のアーキテクチャでは、勾配最適化された高木スゲノカン(TSK)ファジィ分類器が、既知のインサイダー脅威の専門家として機能し、平行なFizzy C-Means(FCM)モジュールが幾何学的異常を検出する。 我々の研究の重要な発見は、従来のファジィなメンバーシップスコアが次元の呪いによって高次元の特徴空間で劣化することである。 我々は、ボットネットアクティベーション攻撃の生の幾何学的分離を利用する堅牢なMin Distanceメトリックを導入することでこれを克服する。 このアプローチにより、BETHテストセットで0.9951の最先端のAUROCが得られ、オリジナルのアイソレーション・フォレスト・ベースラインを17.1%上回った。 ほぼ完全なOoD検出とファジィ論理の本質的な解釈性を組み合わせることで、我々のフレームワークは、堅牢で透明で自律的なネットワーク防御に向けて実行可能な経路を提供する。

関連論文リスト

• Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection [0.22940141855172033]
  CP-APR構造異常スコアと正規化フローから導出される潜在空間密度スコアを結合した重み付き異常融合フレームワークを提案する。 実験の結果,HLSFフレームワークは,実世界のユーザ認証情報を漏洩したデータセット上での異常検出性能を向上することがわかった。
  論文  参考訳（メタデータ） (2026-07-20T19:57:21Z)
• Secure-CHG: A Comprehensive Framework for Robust and Fair Federated Learning via Hybrid Defense and Contribution-Aware Trust [4.5294318938213465]
  フェデレート・ラーニング(FL)は、ステルスなバックドア攻撃に非常に敏感である。 後期失敗」という基本的脆弱性を特定。 本稿では,防衛パラダイムを形態的検出から本質的な意味的貢献の検証へ転換するハイブリッドフレームワークSecure-CHGを提案する。
  論文  参考訳（メタデータ） (2026-06-30T02:53:16Z)
• High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
  スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。 固定復号器用の潜時空間スピングラス辞書を定式化する。 トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-23T06:17:23Z)
• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space [3.3202103799131795]
  SDA2E(Sparse Dual Adversarial Attention-based AutoEncoder)を導入する。 本稿では,意思決定境界を効率的に洗練するための3つの新しい戦略を統合した類似性誘導型アクティブラーニングフレームワークを提案する。 SDA2Eは、複数のDARPAトランスペアレントコンピューティングシナリオを含む52の不均衡データセットにわたって広範囲に評価し、15の最先端の異常検出手法と比較した。
  論文  参考訳（メタデータ） (2026-02-02T23:55:08Z)
• A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks [0.2708211191235587]
  本研究の目的は、ドローンネットワークに適した堅牢で解釈可能な侵入検知フレームワークを開発することである。 我々は、ラベル付きデータセットでトレーニングされたランダムフォレスト、エクストラツリー、AdaBoost、CatBoost、XGBoostといったアンサンブルベースの機械学習モデルの比較分析を行う。 提案するアプローチは、ほぼ完全な精度を提供するだけでなく、解釈可能性も保証し、リアルタイムかつ安全クリティカルなドローン操作に非常に適している。
  論文  参考訳（メタデータ） (2025-09-23T00:59:21Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Interpolated Joint Space Adversarial Training for Robust and Generalizable Defenses [82.3052187788609]
  敵の訓練(AT)は、敵の攻撃に対する最も信頼できる防御の1つと考えられている。 近年の研究では、新たな脅威モデルの下での対向サンプルによる一般化の改善が示されている。 我々は、JSTM(Joint Space Threat Model)と呼ばれる新しい脅威モデルを提案する。 JSTMでは,新たな敵攻撃・防衛手法が開発されている。
  論文  参考訳（メタデータ） (2021-12-12T21:08:14Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)

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。