論文の概要: Process Mining-Enabled Federated Anomaly Detection for the Industrial IoT
- arxiv url: http://arxiv.org/abs/2611.17869v1
- Date: Fri, 13 Nov 2026 08:00:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.332056
- Title: Process Mining-Enabled Federated Anomaly Detection for the Industrial IoT
- Title(参考訳): 産業用IoTのためのプロセスマイニング可能なフェデレーション異常検出
- Abstract要約: 本稿では,グローバルノードが提供する参照に対するローカルノードデータの類似性を評価するプロセスマイニング手法を提案する。
我々は,製造プラントから収集した産業用IoT時系列データを用いて,異なる条件下でのアプローチを評価する。
- 参考スコア(独自算出の注目度): 3.7280286109967835
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While federated anomaly detection enables the integration of local data insights across diverse nodes to reduce false positives, it inherently struggles with non-IID data. In practice, industrial IoT plants often operate under varying conditions and experience diverse environmental phenomena, resulting in significant heterogeneity in the monitored time series. In such settings, standard federated learning approaches fail to perform nuanced aggregation that accounts for these cross-node differences, ultimately leading to increased false positive rates. In this paper, we propose a process mining approach to evaluate the similarity of local node data against a reference provided by a global node. The global node utilizes these similarity metrics to dynamically weight local models during aggregation, producing personalized updates distributed across the network. We evaluate our approach using industrial IoT time-series data collected from manufacturing plants operating under distinct conditions. Experimental results demonstrate that our process mining-enabled federated anomaly detection pipeline achieves superior performance, yielding a 46.52% and 11.99% relative improvement in F1-score compared to isolated local training baselines and standard FedAvg, respectively, alongside a 51.24% relative reduction in false positives over standard federated aggregation.
- Abstract(参考訳): フェデレートされた異常検出により、多様なノードにわたる局所的なデータインサイトを統合することで、偽陽性を低減できるが、本質的には非IIDデータと競合する。
実際には、産業用IoTプラントは様々な条件下で動作し、様々な環境現象を経験し、監視時系列においてかなりの異質性をもたらす。
このような設定では、標準的なフェデレートされた学習アプローチは、これらのノード間の差異を考慮に入れたニュアンス化されたアグリゲーションの実行に失敗し、最終的には偽陽性率の増加につながります。
本稿では,グローバルノードが提供する参照に対するローカルノードデータの類似性を評価するプロセスマイニング手法を提案する。
グローバルノードは、これらの類似度メトリクスを使用して、集約中のローカルモデルを動的に重み付けし、ネットワーク全体に分散されたパーソナライズされた更新を生成する。
我々は,製造プラントから収集した産業用IoT時系列データを用いて,異なる条件下でのアプローチを評価する。
その結果,F1スコアはF1スコアが46.52%,FedAvgが1.99%,F1スコアが51.24%,fedAvgが51.24%,F1スコアが46.52%,F1スコアが11.99%向上した。
関連論文リスト
- Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination [1.3218606066831913]
教師なし学習アプローチは、ラベル付きデータセットへの依存を取り除くことによって、有望な方向を提供する。
このような汚染は検出性能を低下させ、堅牢な教師なしNIDS法の必要性を強調している。
本研究では, ラベルなし異常の存在下においても有効である, 異常検出(AD)のための堅牢なトレーニング手法を提案する。
論文 参考訳(メタデータ) (2026-07-28T08:32:41Z) - Personalized Observation Normalization for Federated Reinforcement Learning in Simulation Environments with Heterogeneity [4.98310859187348]
フェデレート強化学習(FedRL)は、複数のエージェントが生データを共有せずに協調的にグローバルなポリシーを訓練することを可能にする。
FedRLは、状態遷移のダイナミクスが異なる不均一な環境において、非同一の入力分布につながる課題に直面している。
本稿では,各エージェントが生の状態入力を局所的に正規化できるように,パーソナライズされた観察正規化法(PON)を提案する。
論文 参考訳(メタデータ) (2026-04-10T19:37:16Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳(メタデータ) (2025-03-21T18:06:28Z) - Distributed Learning for UAV Swarms [8.184696905809473]
フェデレートラーニング(FL)は、UAVが生データを共有せずにグローバルモデルを協調的にトレーニングすることを可能にする。
FLは、UAVが生データを共有せずに協調的にグローバルモデルを訓練することを可能にするが、UAVが収集したデータの非独立性と独立性(非IID)の性質のため、課題が発生する。
論文 参考訳(メタデータ) (2024-10-21T11:01:44Z) - FedEP: Tailoring Attention to Heterogeneous Data Distribution with Entropy Pooling for Decentralized Federated Learning [8.576433180938004]
フェデレートラーニング(FL)における非独立分散(非IID)データは、クライアントの問題を引き起こす。
既存のアプローチでは、この問題を中央サーバを使ってFLで緩和するが、Decentralized FL (DFL) は未調査のままである。
本研究は,DFLにおける非IID課題を軽減するためのフェデレートエントロピープーリング(FedEP)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-10T07:39:15Z) - FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。
モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。
本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
論文 参考訳(メタデータ) (2024-08-08T13:14:19Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - FedSkip: Combatting Statistical Heterogeneity with Federated Skip
Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。
我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する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う。
論文 参考訳(メタデータ) (2022-12-14T13:57:01Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z)
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。