Fugu-MT 論文翻訳(概要): A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification

論文の概要: A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification

arxiv url: http://arxiv.org/abs/2202.05535v4
Date: Mon, 5 Jun 2023 20:52:32 GMT
ステータス: 処理完了
システム内更新日: 2023-06-08 00:11:52.735283
Title: A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification
Title（参考訳）: インターネットトラフィック分類のための軽量で効率的で説明可能な畳み込みニューラルネットワーク
Authors: Kevin Fauvel, Fuxing Chen, Dario Rossi
Abstract要約: 本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
参考スコア（独自算出の注目度）: 9.365794791156972
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic classification, i.e. the identification of the type of applications flowing in a network, is a strategic task for numerous activities (e.g., intrusion detection, routing). This task faces some critical challenges that current deep learning approaches do not address. The design of current approaches do not take into consideration the fact that networking hardware (e.g., routers) often runs with limited computational resources. Further, they do not meet the need for faithful explainability highlighted by regulatory bodies. Finally, these traffic classifiers are evaluated on small datasets which fail to reflect the diversity of applications in real-world settings. Therefore, this paper introduces a new Lightweight, Efficient and eXplainable-by-design convolutional neural network (LEXNet) for Internet traffic classification, which relies on a new residual block (for lightweight and efficiency purposes) and prototype layer (for explainability). Based on a commercial-grade dataset, our evaluation shows that LEXNet succeeds to maintain the same accuracy as the best performing state-of-the-art neural network, while providing the additional features previously mentioned. Moreover, we illustrate the explainability feature of our approach, which stems from the communication of detected application prototypes to the end-user, and we highlight the faithfulness of LEXNet explanations through a comparison with post hoc methods.
Abstract（参考訳）: トラフィック分類、すなわちネットワーク内を流れるアプリケーションの種類を特定することは、多数のアクティビティ(例えば侵入検出、ルーティング)にとって戦略的タスクである。この課題は、現在のディープラーニングアプローチでは対処できないいくつかの重要な課題に直面します。現在のアプローチの設計は、ネットワークハードウェア(例えばルータ)がしばしば限られた計算リソースで実行されるという事実を考慮していない。さらに、規制機関が強調した忠実な説明性の必要性も満たさない。最後に、これらのトラフィック分類器は、現実世界の設定におけるアプリケーションの多様性を反映しない小さなデータセットで評価される。そこで本稿では,インターネットトラフィック分類のための新しい軽量・効率的・eXPlainable-by-designed convolutional Neural Network (LEXNet)を提案する。商用グレードのデータセットに基づいて、LEXNetは、前述の追加機能を提供しながら、最先端のニューラルネットワークと同じ精度を維持することに成功した。さらに,検出されたアプリケーションプロトタイプをエンドユーザーへ通信することに由来する提案手法の説明可能性の特徴を述べるとともに,ポストホック法との比較により,LEXNetの説明の忠実さを強調した。

関連論文リスト

Lens: A Foundation Model for Network Traffic [19.3652490585798]
Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。 Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
論文参考訳（メタデータ） (2024-02-06T02:45:13Z)
Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
論文参考訳（メタデータ） (2023-05-15T13:21:44Z)
High Efficiency Pedestrian Crossing Prediction [0.0]
歩行者の横断意図を予測する最先端の手法は、入力として複数の情報ストリームに依存することが多い。入力には歩行者のフレームのみのネットワークを導入する。実験は、我々のモデルが常に優れたパフォーマンスを提供することを検証します。
論文参考訳（メタデータ） (2022-04-04T21:37:57Z)
ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文参考訳（メタデータ） (2022-03-07T18:59:03Z)
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文参考訳（メタデータ） (2022-02-21T19:45:15Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Unwrapping The Black Box of Deep ReLU Networks: Interpretability, Diagnostics, and Simplification [9.166160560427919]
ディープニューラルネットワーク(DNN)は、予測力の強い複雑なパターンを学習することで大きな成功を収めている。彼らはしばしば、十分なレベルの透明性と解釈可能性のない「ブラックボックス」モデルと見なされる。本稿では,深部ReLUネットワークのブラックボックスを局所線形表現により解き放つことを目的とする。
論文参考訳（メタデータ） (2020-11-08T18:09:36Z)
Prior knowledge distillation based on financial time series [0.8756822885568589]
我々は,ニューラルネットワークを用いて指標を表現し,より小さなネットワークを特徴層として構築した大規模ネットワークを訓練することを提案する。数値実験により,本アルゴリズムは実際の財務データセットの従来の手法よりも高速かつ高精度であることが判明した。
論文参考訳（メタデータ） (2020-06-16T15:26:06Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)
Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。