論文の概要: Leakage-free evaluation of residual graph convolutional networks for network intrusion detection

• arxiv url: http://arxiv.org/abs/2611.04660v1
• Date: Tue, 03 Nov 2026 10:49:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:47:16.654187
• Title: Leakage-free evaluation of residual graph convolutional networks for network intrusion detection
• Title（参考訳）: ネットワーク侵入検出のための残差グラフ畳み込みネットワークの漏洩フリー評価
• Abstract要約: この研究は、これらの楽観主義の源が取り除かれると、残差グラフ畳み込みネットワークがより単純なモデルよりも何を得るかを測定する。 フローはトレーニングフローのみから構築された最寄りのグラフにリンクされ、予測時に最も近いトレーニングフローに検証とテストフローがアタッチされた。
• 参考スコア（独自算出の注目度）: 0.7880536261408863
• License:
• Abstract: Graph neural networks are increasingly proposed for network intrusion detection, yet many reported results come from protocols in which test flows shape the graph used for training, duplicated flows sit on both sides of the split, or a single split is reported. This study measures what a residual graph convolutional network gains over simpler models once these sources of optimism are removed. CICIDS2017 and NF-UNSW-NB15-v2 were cleaned with label-aware removal of exact duplicates, removing 69% of NF-UNSW-NB15-v2 flows. Flows were linked in a nearest-neighbour graph built from training flows only, and validation and test flows were attached to their nearest training flows at prediction time. A two-layer residual network was compared with eight models under the same settings, including a nearest-neighbour vote over the same graph, gradient-boosted trees and a random forest, over three seeds that each draw a new split, with ablations, leave-one-family-out and feature-noise tests. On CICIDS2017 the residual network reached a binary F1 of 98.11% (SD 0.18) and on NF-UNSW-NB15-v2 90.57% (0.38), indistinguishable from a multilayer perceptron without the graph and from other graph networks. Tree ensembles were 1.48 to 1.57 F1 points higher on CICIDS2017 and led on the area under the precision-recall curve on both datasets; their CICIDS2017 multiclass macro-F1 reached 93.08% against 64.51%, a gap mainly from benign flows the residual network assigned to small attack classes. No ablation, including transductive graph construction, changed F1 beyond seed variation. Under Gaussian feature noise (SD 0.5), the residual network kept an F1 of 96.16%, while XGBoost fell to 0.67%. Under a leakage-controlled protocol, message passing over flow graphs adds no measurable accuracy over a perceptron, and tree ensembles remain stronger on both; the advantage of graph models lies in robustness to feature noise.
• Abstract（参考訳）: グラフニューラルネットワークは、ネットワーク侵入検出のためにますます提案されているが、多くの報告された結果は、テストフローがトレーニングに使用されるグラフを形作るプロトコル、重複フローが分割の両側に置かれるプロトコル、あるいは1つの分割が報告されるプロトコルから来ている。 この研究は、これらの楽観主義の源が取り除かれると、残差グラフ畳み込みネットワークがより単純なモデルよりも何を得るかを測定する。 CICIDS2017とNF-UNSW-NB15-v2は、NF-UNSW-NB15-v2フローの69%を除去し、正確な複製をラベル付きで除去した。 フローはトレーニングフローのみから構築された最寄りのグラフにリンクされ、予測時に最も近いトレーニングフローに検証とテストフローがアタッチされた。 2層残差ネットワークは、同じ設定下で8つのモデルと比較され、同じグラフ、勾配木、ランダムな森に対して最寄りの投票が行われ、それぞれが新しく分割された3つの種子、アブレーション、一戸一戸決、フィーチャーノイズテストが実施された。 CICIDS2017では、残余ネットワークは98.11% (SD 0.18)、NF-UNSW-NB15-v2 90.57% (0.38)に達した。 CICIDS2017のツリーアンサンブルはCICIDS2017よりも1.48から1.57F1ポイント高く、両方のデータセットの精度・リコール曲線の領域に導かれ、CICIDS2017のマルチクラスマクロF1は64.51%に対して93.08%に達した。 トランスダクティブグラフ構造を含むアブレーションは,F1は種子の変化を超えて変化しなかった。 ガウス的特徴雑音(SD 0.5)の下では、残留するネットワークは96.16%、XGBoostは0.67%まで低下した。 リーク制御されたプロトコルの下では、フローグラフ上のメッセージパッシングはパーセプトロン上で測定可能な精度を増さない。

関連論文リスト

• Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network [0.0]
  分類と回帰ヘッドを有するニューラルネットワークを用いて, 重力波位相偏差の同定について検討した。 ネットワーク入力は、波形ミスマッチの波形に対する感度を定量化する応答関数である。
  論文  参考訳（メタデータ） (2026-09-25T20:52:39Z)
• Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels [1.8631476541235859]
  本稿では、時空間(GATv2)と従来の機械学習ベースラインに対して、時空間時空間グラフニューラルネットワーク(STGNN)をベンチマークする。 我々はSTGATv2が神経ベースラインを一貫して上回り、92-94%のマクロF1の分布を達成していることを示す。
  論文  参考訳（メタデータ） (2026-07-31T11:11:15Z)
• Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
  本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。 グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。 本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
  論文  参考訳（メタデータ） (2026-07-07T22:02:13Z)
• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Improving IoT Intrusion Detection Through SMOTE-Based Oversampling and Extended Multi-Model Evaluation on Side-Channel Power Data [0.0]
  本稿では、電力系統侵入検知のためのサイドチャネルデータセットの不均衡問題を扱う。 ランダムフォレスト平均F1スコアは0.9989、マクロF1スコアは0.9794に達し、それまでで最高のマイクロF1結果を上回った。 エクストラツリーも同じパフォーマンスを提供するが、速度は10倍に向上した。
  論文  参考訳（メタデータ） (2026-05-29T10:10:13Z)
• Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning [0.0]
  グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。 本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。 2層アテンション機構は16ノードタイプと18エッジタイプにまたがるセンサレベルとコンテキストレベルの勾配を分離し、アテンションベースGNN Explainerを介してノード単位のレバレンススコアを生成する
  論文  参考訳（メタデータ） (2026-05-10T04:05:36Z)
• 1-D Convolutional Graph Convolutional Networks for Fault Detection in Distributed Energy Systems [0.0]
  1次元畳み込みニューラルネットワーク(1D-CNN)とグラフ畳み込みニューラルネットワーク(GCN)を組み合わせることで、マイクログリッド内の電圧測定から時空間相関を抽出することができる。 断層検出スキームには、断層イベント検出、断層タイプと位相分類、断層位置が含まれる。 達成可能な精度は99.27%、98.1%、98.75%、および95.6%である。
  論文  参考訳（メタデータ） (2022-11-05T15:46:52Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
  本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。 冗長フィルタは、異なる特徴の逆数過程において発見できる。 提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
  論文  参考訳（メタデータ） (2020-10-21T03:02:01Z)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)

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。