論文の概要: Class-Competence Aggregation: Output-Layer Routing for Federated Multiclass DDoS Detection under Class-Concentrated Non-IID Data
- arxiv url: http://arxiv.org/abs/2611.16772v1
- Date: Thu, 12 Nov 2026 13:18:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.476462
- Title: Class-Competence Aggregation: Output-Layer Routing for Federated Multiclass DDoS Detection under Class-Concentrated Non-IID Data
- Title(参考訳): クラスコンピテンス・アグリゲーション:クラス集中型非IIDデータによるフェデレーション型マルチクラスDDoS検出のための出力層ルーティング
- Abstract要約: 授業の集約重みが、見たことのないクライアントから圧倒的に生じると、そのニューロンは単なる希釈ではなく、アクティブな反シグナールを受け取ります。
本稿では,各クライアントがローカルに報告した検証F1を重みとして,クラス毎の出力層を集約するクラスコンピテンス集約(CCA)を提案する。
- 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: Federated learning over distributed intrusion-detection sensors naturally produces \emph{class-concentrated} non-IID data, where an entire attack class is held by a single client and absent elsewhere. We show this collapses federated averaging in a specific, localized way: the output layer holds one decision boundary per class, and when a class's aggregation weight comes overwhelmingly from clients that have never seen it, its neuron receives an active anti-signal rather than mere dilution, collapsing to zero. On CIC-DDoS2019, standard FedAvg drives the concentrated LDAP class to $0.00 \pm 0.00\%$ F1 across every seed. We propose Class-Competence Aggregation (CCA), which aggregates the output layer per class using each client's own locally reported validation F1 as the weight, while hidden layers remain under standard size-weighted FedAvg. CCA requires no server-held auxiliary data and adds only one F1 scalar per class per round beyond the feature-scaling and class-count exchanges common to any federated pipeline. On our primary CNN-LSTM architecture, CCA alone raises LDAP F1 from $0\%$ to $84.83 \pm 1.65\%$, and the full method reaches $91.64 \pm 0.57\%$ macro F1, closing the federated-to-centralized gap from $-42.53$ to $-4.05$ points. Benchmarked against four other federated methods under identical partitions and seeds, CCA is the only one that recovers the concentrated class substantially and reliably; a $178\times$ smaller MLP shows the same qualitative recovery, though less completely, confirming the effect holds across architecture scale even as its magnitude varies. Results are validated across three seeds and replicated on a second dataset, CICIDS2017.
- Abstract(参考訳): 分散侵入検知センサによるフェデレーション学習は、自然に‘emph{class-concentrated’非IIDデータを生成します。
出力層はクラスごとに1つの決定境界を持ち、クラスの集約重みがそれまで見たことのないクライアントから圧倒的に大きいと、そのニューロンは単なる希釈ではなくアクティブな反シグナルを受け取り、0に崩壊する。
CIC-DDoS2019では、標準のFedAvgがLDAPクラスをすべてのシードに対して0.00 \pm 0.00\%$F1に駆動する。
本稿では,各クライアントがローカルに報告した検証F1を重みとして,クラス毎の出力層を集約するクラスコンピテンス集約(CCA)を提案する。
CCAはサーバが保持する補助データを必要としておらず、フェデレートされたパイプラインに共通する機能スケーリングとクラス数交換以外に、1ラウンド当たりのF1スカラーしか追加しない。
我々の主要なCNN-LSTMアーキテクチャでは、LDAP F1を$0\%から$84.83 \pm 1.65\%に引き上げ、完全なメソッドは91.64 \pm 0.57\%$マクロF1に到達し、連邦から中央へのギャップを$42.53$から$4.05$に縮める。
CCAは、同じパーティションとシードの下で他の4つのフェデレートされたメソッドと比較し、集中クラスを実質的にかつ確実に回収する唯一の方法である。
結果は3つのシードで検証され、2番目のデータセットであるCICIDS2017で複製される。
関連論文リスト
- ORDERS: An Empirical Study of Norm-Rank Aggregation for Personalized Federated Learning [0.0]
本稿では,共有バックボーン,プライベートな残差アダプタと分類器,および更新ノルムによって割り当てられた幾何重みを組み合わせた構成について検討する。
8つの設定、2つのデータセット、データセット毎に1つの固定パーティションに5つのトレーニングシード。
2クラス毎のCIFAR-10では、ORDERS 80.51 pm 0.79%$ネイティブ平均クライアント精度が79.02 pm 1.42%$のFedPer-R1と80.27 pm 0.73%$の一致した一様ウェイト制御が達成されている。
論文 参考訳(メタデータ) (2026-10-07T16:31:44Z) - Federated Clustering with Unknown Local and Global Cluster Cardinalities [0.0]
グローバルなクラスタ数を必要としないフェデレーションクラスタリングメソッド$K$は、各クライアントがローカル番号$K_g$を知っていると仮定する。
本稿では、どちらのカウントも知られていない2段階のフレームワークを提案する。
各クライアントはまず、自身のデータから$K_g$を推定し、FedGEMのようなローカルカウントを必要とするアグリゲータを使用して、真の値の代わりにこれらの見積を使用する。
論文 参考訳(メタデータ) (2026-09-29T05:33:34Z) - Adaptive Margin Ordinal Loss: Penalizing Center-Class Hedging in Ordinal Classification [0.0]
標準のクロスエントロピー損失は、ニューラルネットワークが序列分類タスクで訓練され、センタークラスに対する予測をヘッジする原因となる。
我々は、m(k,y) = 1 + cdot (1 - |k-c|/c) cdot (|y-c|/c)$, $c$ が中心クラス、$k$ が候補クラス、$y$ が真のラベルのクラスごとの損失項に適用される乗法重みであるアダプティブ・マルジン順序損失(AMOL)を提案する。
論文 参考訳(メタデータ) (2026-09-09T18:54:29Z) - Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning [4.998584084394827]
本稿では,加法クラスタのパーソナライズと2レベルバンディットフレームワークを統合したFed-BACを提案する。
Fed-BAC は HierFAVG よりは +35.5pp 、IFCA よりは +8.4pp の分散精度を達成している。
論文 参考訳(メタデータ) (2026-05-12T09:07:52Z) - $\mathsf{OPA}$: One-shot Private Aggregation with Single Client Interaction and its Applications to Federated Learning [7.713377215066152]
一発のプライベートアグリゲーション(mathsfOPA$)を導入します。
各クライアントはアグリゲーション毎に1回だけ通信するので、ドロップアウトの管理と動的参加が簡単になる。
$mathsfOPA$は実用的で、最先端のソリューションよりも優れています。
論文 参考訳(メタデータ) (2024-10-29T17:50:11Z) - Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。
我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
論文 参考訳(メタデータ) (2024-05-29T10:56:13Z) - Federated Learning with Bilateral Curation for Partially Class-Disjoint Data [47.55180390473258]
部分的なクラス分離データ(PCDD)は、一般的なが未探索のデータ生成であり、フェデレートされたアルゴリズムの性能に深刻な挑戦をする。
我々はFedGELAと呼ばれる新しい手法を提案し、ETFは局所的に個人分布に適応しながら、単純なETFとしてグローバルに固定されている。
我々は、FedGELAが有望なパフォーマンスを達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
論文 参考訳(メタデータ) (2024-05-29T10:34:44Z) - Upcycling Models under Domain and Category Shift [95.22147885947732]
グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。
我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。
注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
論文 参考訳(メタデータ) (2023-03-13T13:44:04Z) - Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。
本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。
MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-05-27T13:09:08Z) - Federated Learning with Only Positive Labels [71.63836379169315]
FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。
理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
論文 参考訳(メタデータ) (2020-04-21T23:35:02Z)
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。