リサーチ・論文

クラウドクリプトジャッキング検出におけるML評価、前処理とプロトコルの影響を分析

arXivは10月13日(現地時間)、クラウド環境におけるクリプトジャッキング検出に適用される主要な古典的機械学習(ML)モデルの経験的評価に関する論文を公開しました。アミターブ・チャクラボルティ氏とネリー・エルサエド氏が発表した同論文は、前処理および評価プロトコルがモデルの性能に与える影響を検証。公共のクラウドネイティブなクリプトジャッキングデータセットが存在しないため、DS2OSとNSL-KDDの2つの公開済みプロキシデータセットを用いて実験を行いました。

リサーチ・論文

アーカイヴ、ベアリング故障検知で不確かさ考慮した新手法を提唱

アーカイヴ (arXiv) は2026年9月18日(現地時間)、論文「Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks」を公開した。この論文は、機械学習分類器を用いたベアリング故障検知において、不確かさを考慮した新しいアンサンブル分類手法を提唱している。提案手法は、ランダムフォレスト (Random Forest)、XGBoost (XGBoost)、ロジスティック回帰 (Logistic Regression) を組み合わせたアンサンブルモデルをニュートロソフィック分解により4つの指標に分解することで、高確信度の誤りや真に曖昧な予測の混同を防ぐ。