論文の概要: Uncertainty-Guided Cross-Modal Alignment for Diffusion-Based IoT Intrusion Detection

• arxiv url: http://arxiv.org/abs/2610.39117v1
• Date: Thu, 29 Oct 2026 01:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.440193
• Title: Uncertainty-Guided Cross-Modal Alignment for Diffusion-Based IoT Intrusion Detection
• Title（参考訳）: 拡散型IoT侵入検出のための不確かさ誘導型クロスモーダルアライメント
• Abstract要約: 拡散モデルは、学習したデータ分布に向かってノイズ状態が進化するので、サンプリングの振る舞いは、ノイズが発生する表現の幾何学に依存する。 本稿では、正規化されたVAE後部分散を用いて、指向性相互変調の影響を制御する新しい信頼性誘導アライメントルールを提案する。 不均衡なインターネット・オブ・Things侵入検知のためのマイノリティアタック生成におけるこの問題について検討する。
• 参考スコア（独自算出の注目度）: 0.7774159184252745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models evolve noisy states toward a learned data distribution, so their sampling behavior depends on the geometry of the representation in which denoising occurs. This dependence is especially important for multimodal data: independently trained encoders can map synchronized views to incompatible latent regions, while uniform alignment can let an uncertain view distort the shared geometry. To address this gap, we introduce a novel reliability-guided alignment rule that uses normalized VAE posterior variance to control directional cross-modal influence before diffusion training. We study this issue in minority-attack generation for imbalanced Internet-of-Things intrusion detection. Tabular flow attributes, a DeepInsight image, and a packet sequence are encoded by modality-specific variational autoencoders. Per-modality normalized VAE posterior variances provide bounded, sample-specific weighting signals in an asymmetric stop-gradient alignment objective. We use these quantities as heuristic encoder-derived reliability proxies rather than calibrated probabilistic uncertainties. The full modality-specific latent means obtained after alignment fine-tuning are standardized and modeled jointly by a class-conditional EDM; a second-order sampler then generates paired attack-conditioned latent blocks for the three decoders. In controlled experiments on TON-IoT, uncertainty-aware alignment obtains the highest mean precision, recall, density, and coverage among three diffusion variants. Augmenting only the training split yields ROC-AUC 0.9515, PR-AUC 0.8954, balanced accuracy 0.8395, and attack-class F1 0.7940 on an untouched real test set. Among the two variants with matched alignment fine-tuning, posterior-variance-based weighting improves both tabular generative fidelity and downstream detection relative to uniform weighting.
• Abstract（参考訳）: 拡散モデルは、学習したデータ分布に向かってノイズ状態が進化するので、サンプリングの振る舞いは、ノイズが発生する表現の幾何学に依存する。 独立に訓練されたエンコーダは、同期されたビューを非互換な潜在領域にマッピングできる一方、均一なアライメントは、不確実なビューが共有された幾何学を歪ませる。 このギャップに対処するため,拡散訓練前の指向性相互モーダルの影響を制御するために,正規化VAE後方分散を用いた新しい信頼性誘導アライメントルールを導入する。 不均衡なインターネット・オブ・Things侵入検知のためのマイノリティアタック生成におけるこの問題について検討する。 タブラルフロー属性、ディープインサイト画像、パケットシーケンスは、モダリティ固有の変分オートエンコーダによって符号化される。 モードごとの正規化VAE後部分散は、非対称な停止勾配のアライメント目的において、有界でサンプル特異的な重み付け信号を提供する。 これらの量は、確率的不確実性を校正するのではなく、ヒューリスティックエンコーダ由来の信頼性プロキシとして利用する。 アライメント微調整後に得られる全モダリティ特異的潜時手段をクラス条件EDMで標準化し、共同でモデル化し、2次サンプリング器は、3つのデコーダに対してペア化された攻撃条件潜時ブロックを生成する。 TON-IoTの制御実験において、不確実性を考慮したアライメントは、3つの拡散変種の中で最も高い平均精度、リコール、密度、カバレッジを得る。 トレーニング分割のみを増強すると、ROC-AUC 0.9515、PR-AUC 0.8954、バランスの取れた精度 0.8395、非タッチの実検セットでの攻撃クラス F1 0.7940 が得られる。 一致したアライメントの微調整を行う2つの変種の中で、後方分散に基づく重み付けは、均一な重み付けに対する表層生成率と下流検出の両方を改善している。

関連論文リスト

• Timbre: Reliability-aware harmonic consensus for label-free multimodal test-time rexinforcement learning [57.985367205599324]
  メソッドはマルチモーダルテスト時強化学習のための信頼性を考慮した調和コンセンサスフレームワークである。 メソッドは、適応インスタンスのセットとホールドアウトインスタンスの18のセットのセットで、TTRVを16のベンチマークで上回ります。 これらの結果は、さらなる更新なしにターゲットタスク適応と未確認インスタンスへの転送を改善した。
  論文  参考訳（メタデータ） (2026-10-29T06:15:35Z)
• Two-Sample Testing via Path-based Inference [54.590623065123076]
  2サンプルテストは、同じ分布が2つの有限データセットを生成するかどうかを決定する問題である。 補間子を用いて、両分布を共有ガウスボトルネックに接続する。 ゼロ仮説は、集団が、または同等に、2つのハーフの速度場が、任意のノイズレベルに一致する場合にのみ成立することを示す。
  論文  参考訳（メタデータ） (2026-10-05T01:56:28Z)
• Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias [0.0]
  本研究では,不確実性下での回帰に基づくデータ融合について検討する。 この設定は、センサーネットワーク、シミュレーションアンサンブル、そして監視が費用がかかるか不可能である科学的な監視システムで発生する。 本稿では,ニューラルネットワークと共役ガウス推論を組み合わせた階層型ベイズフレームワークであるニューラル共役凝集モデル(NCAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-20T19:30:21Z)
• Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment [27.352639822596146]
  クロスワーカーの損失と勾配のばらつきは、従来の監視信号では見えない。 本稿では,標準パイプラインで容易に利用できるトレーニング信号を用いて,作業者レベルの一貫性を定量化する,モデルに依存しない診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T04:42:30Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• ROTI-GCV: Generalized Cross-Validation for right-ROTationally Invariant Data [5.830619388189558]
  高次元正規化回帰における2つの重要なタスクは、正確な予測のために正規化強度を調整し、サンプル外リスクを推定することである。 問題のある条件下でクロスバリデーションを確実に行うための新しいフレームワーク ROTI-GCV を導入する。
  論文  参考訳（メタデータ） (2024-06-17T15:50:00Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。