論文の概要: Multi-Task Hierarchical Learning Based Network Traffic Analytics

• arxiv url: http://arxiv.org/abs/2106.03850v1
• Date: Sat, 5 Jun 2021 02:25:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:40:49.239264
• Title: Multi-Task Hierarchical Learning Based Network Traffic Analytics
• Title（参考訳）: マルチタスク階層学習によるネットワークトラフィック分析
• Authors: Onur Barut, Yan Luo, Tong Zhang, Weigang Li, Peilong Li
• Abstract要約: 約1.3Mのラベル付きフローを含む3つのオープンデータセットを提示する。 我々は、マルウェア検出とアプリケーション分類の両方を含む、ネットワークトラフィック分析の幅広い側面に焦点を当てる。 成長を続けるにつれて、データセットはAI駆動の再現可能なネットワークフロー分析研究の共通基盤として機能することを期待しています。
• 参考スコア（独自算出の注目度）: 18.04195092141071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifying network traffic is the basis for important network applications. Prior research in this area has faced challenges on the availability of representative datasets, and many of the results cannot be readily reproduced. Such a problem is exacerbated by emerging data-driven machine learning based approaches. To address this issue, we present(N et)2databasewith three open datasets containing nearly 1.3M labeled flows in total, with a comprehensive list of flow features, for there search community1. We focus on broad aspects in network traffic analysis, including both malware detection and application classification. As we continue to grow them, we expect the datasets to serve as a common ground for AI driven, reproducible research on network flow analytics. We release the datasets publicly and also introduce a Multi-Task Hierarchical Learning (MTHL)model to perform all tasks in a single model. Our results show that MTHL is capable of accurately performing multiple tasks with hierarchical labeling with a dramatic reduction in training time.
• Abstract（参考訳）: ネットワークトラフィックの分類は重要なネットワークアプリケーションの基礎である。 この領域での以前の研究は、代表データセットの可用性に関する課題に直面しており、多くの結果は容易に再現できない。 このような問題は、新しいデータ駆動機械学習ベースのアプローチによって悪化する。 この問題に対処するために,約1.3Mのラベル付きフローを含む3つのオープンデータセットと,検索コミュニティ1のための包括的なフロー機能のリストを提示する。 マルウェア検出とアプリケーション分類の両方を含むネットワークトラフィック分析の幅広い側面に焦点を当てる。 成長を続けるにつれて、データセットはAI駆動の再現可能なネットワークフロー分析研究の共通基盤として機能することを期待しています。 データセットを公開し、単一のモデルで全てのタスクを実行するためのマルチタスク階層学習(MTHL)モデルを導入する。 その結果,MTHLは階層ラベリングによる複数のタスクを正確に行うことができ,トレーニング時間を劇的に短縮できることがわかった。

関連論文リスト

• Task-Augmented Cross-View Imputation Network for Partial Multi-View Incomplete Multi-Label Classification [25.764838008710615]
  本稿では,タスク拡張型クロスビュー計算ネットワーク(TACVI-Net)を提案する。 第一段階では、情報ボトルネック理論を利用して各視点の識別的表現を得る。 第2段階では、オートエンコーダに基づくマルチビュー再構成ネットワークを使用して、ハイレベルなセマンティック表現を抽出する。
  論文  参考訳（メタデータ） (2024-09-12T10:56:11Z)
• On Inter-dataset Code Duplication and Data Leakage in Large Language Models [4.148857672591562]
  本稿では,データセット間の重複現象とその大規模言語モデル(LLM)評価への影響について検討する。 この結果から,複数のSEタスクにまたがるLCMの評価は,データ間重複現象に起因する可能性が示唆された。 オープンソースモデルがデータセット間の重複に影響される可能性があることを示す。
  論文  参考訳（メタデータ） (2024-01-15T19:46:40Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
  本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。 私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
  論文  参考訳（メタデータ） (2023-07-13T16:39:08Z)
• Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
  本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。 大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-06-08T15:17:04Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Data Augmentation for Abstractive Query-Focused Multi-Document Summarization [129.96147867496205]
  2つのQMDSトレーニングデータセットを提示し,2つのデータ拡張手法を用いて構築する。 これらの2つのデータセットは相補的な性質を持ち、すなわちQMDSCNNは実際のサマリを持つが、クエリはシミュレートされる。 組み合わせたデータセット上にエンドツーエンドのニューラルネットワークモデルを構築し、DUCデータセットに最新の転送結果をもたらします。
  論文  参考訳（メタデータ） (2021-03-02T16:57:01Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Multi-Task Learning with Deep Neural Networks: A Survey [0.0]
  マルチタスク学習(Multi-task learning、MTL)は、複数のタスクを共有モデルで同時に学習する機械学習のサブフィールドである。 深層ニューラルネットワークにおけるマルチタスク学習手法の概要を述べる。
  論文  参考訳（メタデータ） (2020-09-10T19:31:04Z)
• NetML: A Challenge for Network Traffic Analytics [16.8001000840057]
  約1.3Mラベル付きフローを含む3つのオープンデータセットをリリースする。 我々は、マルウェア検出とアプリケーション分類の両方を含む、ネットワークトラフィック分析の幅広い側面に焦点を当てる。 NetMLの成長を続けるにつれて、データセットはAI駆動で再現可能なネットワークフロー分析の研究のための共通プラットフォームとして機能することを期待しています。
  論文  参考訳（メタデータ） (2020-04-25T01:12:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。