4157 件の論文
154件の研究（2021年–2025年）を対象としたこの系統的レビューは、IoT/IIoTセキュリティのためのAIが侵入検知に大きく集中している一方で、ラベルの不足やリソースの制約により現在の研究には運用上の妥当性が欠けていることを明らかにしており、標準化され、ドリフトを考慮し、かつ説明可能なデプロイメント・プロトコルへの転換が必要であることを示している。
本論文では、非構造化されたプロセス・テキストを、意味的分解、プロセスの再構成、および制約のマッピングという3段階のパイプラインを通じて標準化された構造化データへと変換することにより、大規模言語モデルにおけるプロセス意味崩壊（Process Semantic Collapse）を軽減する、制約を考慮した分解・再構成プロセス要素アノテーション（DR-PEA）手法を導入し、既存のベースラインを上回る優れた性能を達成している。
本研究は、乳房組織病理画像におけるDenseNet121とVision Transformerモデルの分類精度と説明性の安定性を比較しており、DenseNet121がより高い精度と局所的な説明を実現する一方で、Vision Transformerは入力の摂動に対してより高い説明の堅牢性を示すという、決定的なトレードオフを明らかにしている。
本研究は、データが不足しているサブサハラ地域の鉱山復旧を最適化するための、スケーラブルかつ転用可能なソリューションを提供するために、合成データを用いてアフリカの土壌プロファイルに対して検証された、LSTMベースのpH予測と深層強化学習制御を組み合わせた3フェーズのディープラーニングフレームワークを提示するものである。
本研究は、自己注意機構を活用したDeep Setベースの集約が、可変長かつ高頻度なウェアラブル身体活動データのモデリングにおいて従来の手法を凌駕することを実証すると同時に、より安定した低頻度の測定においては、より単純な集約戦略が依然として十分であることを示唆している。
本論文は、BiLSTM、自己注意機構（self-attention）、およびElastic Weight Consolidationを統合することで、多様なネットワーク環境において、高精度かつリアルタイムの侵入検知、継続的な学習能力、そして透明性のある意思決定を実現する、自己適応型かつ解釈可能なディープラーニングフレームワークであるAdapNet-IDSを提案する。
本論文は、非IIDデータ下における連合テキスト分類において、有用性、グループ公平性、およびプライバシー保護を効果的に両立させるために、低ランク表現学習、差分プライバシー、および公平性・プライバシー最適化を統合したクローズドループ型の協調フレームワークであるFedMOJOを提案する。
本論文は、時系列特徴に基づき、CNN、RNN、およびLSTMモデルを活用して無線センサーネットワークにおけるノードレベルの故障を検出するディープラーニングフレームワークを提案し、性能指標を通じて検証するとともに、リアルタイムのグラフマッピングインターフェースを介して可視化するものである。
本研究は、異なるタスクファミリーと堅牢なモデリングを組み合わせることで、単なる盲目的な自動分類器ではなく、慎重かつ再現可能な意思決定支援ツールを提供することを目的とした、データ不足の地域における水質分類のための、転移可能で説明可能、かつ不確実性を考慮した機械学習フレームワークを提案するものである。
本論文では、反復局所探索法（Iterated Local Search）と集合分割（Set Partitioning）による後最適化を組み合わせたハイブリッド・メタヒューリスティックであるILS+SPを紹介しており、これは大規模なベンチマーク・インスタンスにおいて準最適解を達成することで、ファミリー容量制約付き車両配送問題（Family Capacitated Vehicle Routing Problem）を解く既存の最先端手法を大幅に上回る性能を示す。