arXiv:2512.08885v1 Announce Type: new 
Abstract: Industrial maintenance is being transformed by the Internet of Things and edge computing, generating continuous data streams that demand real-time, adaptive decision-making under limited computational resources. While data stream mining (DSM) addresses this challenge, most methods assume fully supervised settings, yet in practice, ground-truth labels are often delayed or unavailable. This paper presents a collaborative DSM framework that integrates unsupervised anomaly detection with interactive, human-in-the-loop learning to support maintenance decisions. We employ an online Isolation Forest and enhance interpretability using incremental Partial Dependence Plots and a feature importance score, derived from deviations of Individual Conditional Expectation curves from a fading average, enabling users to dynamically reassess feature relevance and adjust anomaly thresholds. We describe the real-time implementation and provide initial results for fault detection in a Jacquard loom unit. Ongoing work targets continuous monitoring to predict and explain imminent bearing failures.

تم تقديم إطار عمل جديد للكشف عن الشذوذ القابل للتفسير في تدفقات بيانات إنترنت الأشياء الصناعية، حيث يعالج التحديات المتعلقة باتخاذ القرارات في الوقت الفعلي في الصيانة تحت موارد حاسوبية محدودة. يجمع هذا النهج بين الكشف عن الشذوذ غير الخاضع للإشراف والتعلم البشري، باستخدام غابة عزل عبر الإنترنت وتعزيز القابلية للتفسير من خلال تقنيات التصور المتقدمة.

Se ha introducido un nuevo marco para la detección de anomalías explicable en flujos de datos de IoT industrial, abordando los desafíos de la toma de decisiones en tiempo real en el mantenimiento bajo recursos computacionales limitados. Este enfoque combina la detección de anomalías no supervisada con el aprendizaje humano, utilizando un Isolation Forest en línea y mejorando la interpretabilidad a través de técnicas de visualización avanzadas.

Un nouveau cadre pour la détection d'anomalies explicable dans les flux de données IoT industriels a été introduit, abordant les défis de la prise de décision en temps réel dans la maintenance sous des ressources informatiques limitées. Cette approche combine la détection d'anomalies non supervisée avec un apprentissage humain, utilisant un Isolation Forest en ligne et améliorant l'interprétabilité grâce à des techniques de visualisation avancées.

A new framework for explainable anomaly detection in Industrial IoT data streams has been introduced, addressing the challenges of real-time decision-making in maintenance under limited computational resources. This approach combines unsupervised anomaly detection with human-in-the-loop learning, utilizing an online Isolation Forest and enhancing interpretability through advanced visualization techniques.

Explainable Anomaly Detection for Industrial IoT Data Streams

arXiv:2512.02272v1 Announce Type: cross 
Abstract: This paper proposes a hardware-aware intrusion detection system (IDS) for Internet of Things (IoT) and Industrial IoT (IIoT) networks; it targets scenarios where classification is essential for fast, privacy-preserving, and resource-efficient threat detection. The goal is to optimize both tree-based machine learning (ML) models and compact deep neural networks (DNNs) within strict edge-device constraints. This allows for a fair comparison and reveals trade-offs between model families. We apply constrained grid search for tree-based classifiers and hardware-aware neural architecture search (HW-NAS) for 1D convolutional neural networks (1D-CNNs). Evaluation on the Edge-IIoTset benchmark shows that selected models meet tight flash, RAM, and compute limits: LightGBM achieves 95.3% accuracy using 75 KB flash and 1.2 K operations, while the HW-NAS-optimized CNN reaches 97.2% with 190 KB flash and 840 K floating-point operations (FLOPs). We deploy the full pipeline on a Raspberry Pi 3 B Plus, confirming that tree-based models operate within 30 ms and that CNNs remain suitable when accuracy outweighs latency. These results highlight the practicality of hardware-constrained model design for real-time IDS at the edge.

تم اقتراح نظام جديد للكشف عن التسلل (IDS) مدرك للأجهزة لشبكات إنترنت الأشياء (IoT) وإنترنت الأشياء الصناعي (IIoT)، مع التركيز على تحسين نماذج التعلم الآلي والشبكات العصبية العميقة لتلبية القيود الصارمة للموارد. يُظهر النظام دقة عالية مع استخدام الحد الأدنى من الموارد، حيث حقق 95.3% من الدقة باستخدام LightGBM و97.2% باستخدام CNN محسّنة بواسطة HW-NAS.

Se ha propuesto un nuevo sistema de detección de intrusiones (IDS) consciente del hardware para redes de Internet de las Cosas (IoT) y de IoT Industrial (IIoT), centrándose en optimizar modelos de aprendizaje automático y redes neuronales profundas para cumplir con estrictas limitaciones de recursos. El sistema demuestra una alta precisión con un uso mínimo de recursos, alcanzando un 95.3% de precisión con LightGBM y un 97.2% con una CNN optimizada por HW-NAS.

Un nouveau système de détection d'intrusion (IDS) conscient du matériel a été proposé pour les réseaux de l'Internet des objets (IoT) et de l'IoT industriel (IIoT), se concentrant sur l'optimisation des modèles d'apprentissage automatique et des réseaux neuronaux profonds pour répondre à des contraintes de ressources strictes. Le système démontre une grande précision avec une utilisation minimale des ressources, atteignant 95,3 % de précision avec LightGBM et 97,2 % avec un CNN optimisé par HW-NAS.

A new hardware-aware intrusion detection system (IDS) has been proposed for Internet of Things (IoT) and Industrial IoT (IIoT) networks, focusing on optimizing machine learning models and deep neural networks to meet strict resource constraints. The system demonstrates high accuracy with minimal resource usage, achieving 95.3% accuracy with LightGBM and 97.2% with a HW-NAS-optimized CNN.

Explainable Anomaly Detection for Industrial IoT Data Streams

Was this article worth reading? Share it

LucidQuery AI

Dyad

Open Source Surveillance