HTPI: IoT IDSにおける特徴選択の安定性のための新しいヘッド・テール人口初期化と事後説明可能AI分析
HTPI: A New Head–Tail Population Initialization for Feature Selection Stability in IoT IDSs with Post Hoc Explainable AI Analysis
本論文では、インターネット・オブ・シングス(IoT)侵入検知システム(IDS)における特徴選択(FS)の再現性を損なう、実行ごとの特徴サブセットの不安定性に対処するため、Head–Tail Population Initialization(HTPI)という新しい特徴重要度ガイド付き初期化アプローチを提案する。HTPIは、特徴重要度スコアを用いて候補特徴をヘッドとテールグループに分割し、ヘッド特徴を優先し、重要度ベースの重みでテール特徴をサンプリングすることで候補サブセットを初期化する。このHTPIを適応型ハイブリッド遺伝的アルゴリズム–焼きなまし法(AHGA-SA)に統合したHTPI-AHGA-SAは、初期化と再初期化ステップのみを変更する。8つのIoT向けIDSデータセットを用いた実験では、HTPI-AHGA-SAがすべてのデータセットで有意に高いNogueira安定性を示し、すべてのケースで重ならない95% leave-one-run-outジャックナイフ信頼区間が得られた。データセットレベルでの平均F1マクロの絶対差は0.003未満であり、6つのデータセットでこのマージンでの形式的同等性が支持された。3つの代表的なデータセットにおける事後説明可能人工知能(XAI)分析では、再学習下で選択されたヘッドおよびテール部分における、一般的に高い順列重要度(PI)ベースのクロスラン一貫性と測定可能な予測ユーティリティが示された。
- HTPI-AHGA-SAという新手法を提案し、8つのIoT向けIDSデータセットで特徴選択の安定性(Nogueira安定性)を有意に向上させた
- 平均F1マクロの絶対差が0.003未満であり、6つのデータセットで予測性能の形式的同等性が示された
- 事後説明可能AI(XAI)分析により、再学習下でのクロスラン一貫性と予測ユーティリティが確認された
IoT向け侵入検知システム(IDS)における機械学習の特徴選択の安定性を改善する研究であり、AIセキュリティ分野の学術的進展である。ただし、本記事は論文発表レベルの研究成果であり、特定企業の製品化や市場への直接的な影響を示す具体的な事業イベントではない。投資判断に直結する情報は乏しいため、投資家視点ではモニタリング対象として捉えるのが妥当。