Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Types of Errors: Detection and Minimization01:12

Types of Errors: Detection and Minimization

8.7K
Error is the deviation of the obtained result from the true, expected value or the estimated central value. Errors are expressed in absolute or relative terms.
Absolute error in a measurement is the numerical difference from the true or central value. Relative error is the ratio between absolute error and the true or central value, expressed as a percentage.
Errors can be classified by source, magnitude, and sign. There are three types of errors: systematic, random, and gross.
Systematic or...
8.7K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

A Case of Intralobar Pulmonary Sequestration in Situs Inversus Totalis.

Respirology case reports·2026
Same author

Post-intracerebral hemorrhage depression comorbid with obstructive sleep apnea and REM sleep behavior disorder: a case report and literature review.

Frontiers in psychiatry·2026
Same author

Atomically Precise Supported Au<sub>15</sub> Nanoclusters for Efficient and Selective Electrooxidation of Lignin-Derived Alcohols to Aromatic Ketones.

Nano letters·2026
Same author

Longitudinal Trajectories and Determinants of Fear of Falling in Post-Stroke Patients.

Journal of nursing scholarship : an official publication of Sigma Theta Tau International Honor Society of Nursing·2026
Same author

The efficacy, safety, and rationale of orelabrutinib combined with obinutuzumab (O2) as a first-line systemic treatment for marginal zone lymphoma.

Blood cancer journal·2026
Same author

Neonatal genetic sequencing as a first-tier option: a real-world clinical implementation study in Northern China.

Annals of medicine·2026

関連する実験動画

Updated: May 3, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

635

MACML:少数のIoT侵入検知のための注意とコンヴォルションベースのメタラーニング方法

Congyuan Xu1,2, Jun Yang1, Panpan Li1

  • 1College of Artificial Intelligence, Jiaxing University, Jiaxing, Zhejiang, China.

PloS one
|August 29, 2025
PubMed
まとめ

この研究は,モノのインターネット (IoT) のセキュリティのための新しいメタラーニング侵入検知システムであるMACMLを紹介しています. MACMLは最小限のデータで新しいサイバー攻撃を効果的に検出し,IoTデバイスの保護を強化します.

科学分野:

  • サイバーセキュリティ
  • 機械学習
  • 物事のインターネット (IoT)

背景:

  • 物联网 (IoT) デバイスはサイバー攻撃にますます脆弱です.
  • 従来の侵入検知システム (IDS) は,広範なラベル付きデータに依存しているため,新しい脅威と闘っています.
  • 少人数の学習シナリオは,既存のIDSにとって大きな課題です.

研究 の 目的:

  • IoT環境のための高度な侵入検知方法を開発する.
  • 限られたデータを用いて新しいサイバー攻撃の検出を改善する.
  • 侵入検知システムの汎用性を向上させる.

主な方法:

  • MACML (マージング・アテンション・アンド・コンボリューション・ベース・メタ・ラーニング) というメタ・ラーニングのアプローチを提案する.
  • グローバル機能抽出のための自己注意メカニズムとローカル機能抽出のためのコンボリューションニューラルネットワークを統合する.
  • 数少ないトレーニングサンプルで迅速な適応のための最適化ベースのメタラーニングフレームワークを使用します.

主要な成果:

  • MACMLはCICIDS2018で98.75%の精度と99.17%の検出率を達成しました.
  • CICIoT2023では,MACMLは94.47%の精度と95.32%の検出率を示しました.

さらに関連する動画

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K

関連する実験動画

Last Updated: May 3, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

635
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K
  • 提案された方法は,既存の最先端の侵入検知技術を上回りました.

    • 結論:

    • MACMLは,IoTのショットシナリオで新しいサイバー攻撃を検出する課題に効果的に取り組んでいます.
    • 注意とコンヴォルションの統合は,ネットワークトラフィック特性のモデルの知覚を高めます.
    • MACMLは,IoTのエコシステムにおける堅牢で適応可能な侵入検知のための有望なソリューションを提供します.