深層循環型強化学習と連合学習を用いた産業IoTトラフィックの侵入検知手法 学術背景 産業用IoT（Industrial Internet of Things, IIoT）の急速な発展は、スマート工場や産業システムに大きな変革をもたらしました。IIoTは、インターネットを介してさまざまな産業デバイスを接続し、データ交換、遠隔制御、インテリジェントな意思決定を実現しました。しかし、このシームレスな接続性と膨大なデバイスネットワークは、産業システムがより複雑で多様なサイバーセキュリティリスクに直面する結果となりました。現実のIIoTシナリオにおいて、ネットワーク攻撃はデータ漏洩、データ操作、サービス拒否（denial of service, DoS）、および工場の生産中断などの深刻な影響を引き起こ...

学術的背景と問題提起 データプライバシーの問題がますます深刻化する中、連邦学習（Federated Learning, FL）は、分散型の機械学習パラダイムとして注目を集めています。連邦学習は、複数のクライアントがデータを共有することなく、協調してグローバルモデルを訓練することを可能にし、データプライバシーを保護します。しかし、既存の連邦学習手法は、各クライアントのデータが完全にラベル付けされていることを前提としていますが、これは実際のアプリケーションでは現実的ではありません。特に、ラベル付け能力が限られている場合には、この前提は成り立ちません。この問題を解決するために、連邦半教師あり学習（Federated Semi-Supervised Learning, FSSL）が提案されました。F...