論文の概要: DeepWeave: Weaving Neural and Symbolic Evidence for ML-Based Network Intrusion Detection System

• arxiv url: http://arxiv.org/abs/2610.41541v1
• Date: Fri, 30 Oct 2026 10:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.683218
• Title: DeepWeave: Weaving Neural and Symbolic Evidence for ML-Based Network Intrusion Detection System
• Title（参考訳）: DeepWeave:MLベースのネットワーク侵入検知システムのためのニューラルネットワークとシンボリックエビデンス
• Abstract要約: 本稿では,ニューロシンボリックネットワーク侵入検知システム(NIDS)のDeepWeaveについて述べる。 複数のデータセットにわたって、DeepWeaveは低データ検出、偽陽性制御、転送性、堅牢性を改善している。 これらの結果から, ラベル効率, 適応性, 検査可能なニューロシンボリックな侵入検出が可能となった。
• 参考スコア（独自算出の注目度）: 40.234171569829236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based network intrusion detection systems can recognize complex traffic patterns, but often require substantial labelled attack data, degrade under deployment shift, and provide limited evidence for analysts. We present DeepWeave, a probabilistic neuro-symbolic Network Intrusion Detection System (NIDS) that makes logic an integral part of detection. DeepWeave automatically constructs and validates interpretable rules, represents neural predictions as probabilistic predicates, and reconciles both evidence sources through explicit coupling policies over packet-, flow-, and hybrid-views. The resulting proofs provide intrinsic explanations for rule-supported alerts. Across multiple datasets, DeepWeave improves low-data detection, false-positive control, transferability, and robustness. With only 50 labelled packet observations per attack class, it improves macro-F1 from 0.632 to 0.924 and reduces the attack false-positive rate from 0.075 to 0.008 over the matched neural baseline. Its proofs are also more stable than post-hoc neural attributions, while batched inference keeps probabilistic reasoning practical. These results demonstrate label-efficient, adaptable, and inspectable neuro-symbolic intrusion detection.
• Abstract（参考訳）: 機械学習ベースのネットワーク侵入検知システムは、複雑なトラフィックパターンを認識することができるが、しばしばラベル付き攻撃データを必要とし、展開シフト時に劣化し、アナリストに限られた証拠を提供する。 本稿では,確率論的ニューラルネットワーク侵入検出システム(NIDS)であるDeepWeaveについて述べる。 DeepWeaveは、解釈可能なルールを自動構築して検証し、確率的述語として神経予測を表現し、パケット、フロー、ハイブリッドビューに対する明示的な結合ポリシを通じて、両方のエビデンスソースを精査する。 結果として得られた証明は、ルールをサポートするアラートの本質的な説明を提供する。 複数のデータセットにわたって、DeepWeaveは低データ検出、偽陽性制御、転送性、堅牢性を改善している。 攻撃クラスごとに50個のラベル付きパケット観測しか行わず、マクロF1を0.632から0.924に改善し、マッチしたニューラルネットワーク上での攻撃偽陽性率を0.075から0.008に下げる。 その証明はポストホック神経属性よりも安定であり、バッチ推論は確率論的推論を実践的に維持する。 これらの結果から, ラベル効率, 適応性, 検査可能なニューロシンボリックな侵入検出が可能となった。

関連論文リスト

• Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
  GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。 帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。 推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-20T11:02:50Z)
• How adversarial attacks can disrupt seemingly stable accurate classifiers [76.95145661711514]
  敵攻撃は、入力データに不連続な修正を加えることで、非正確な学習システムの出力を劇的に変化させる。 ここでは,これは高次元入力データを扱う分類器の基本的特徴であると考えられる。 実用システムで観測される重要な振る舞いを高い確率で発生させる、単純で汎用的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-07T12:02:00Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラ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） (2023-02-18T18:00:05Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
  本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。 本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
  論文  参考訳（メタデータ） (2021-05-18T15:51:24Z)
• DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
  本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。 提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
  論文  参考訳（メタデータ） (2020-10-04T13:28:28Z)

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。