論文の概要: Semi-WTC: A Practical Semi-supervised Framework for Attack
Categorization through Weight-Task Consistency
- arxiv url: http://arxiv.org/abs/2205.09669v2
- Date: Fri, 20 May 2022 16:09:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 11:04:32.895314
- Title: Semi-WTC: A Practical Semi-supervised Framework for Attack
Categorization through Weight-Task Consistency
- Title（参考訳）: Semi-WTC: ウェイトタスク一貫性による攻撃分類のための実践的半教師付きフレームワーク
- Authors: Zihan Li, Wentao Chen, Zhiqing Wei, Xingqi Luo, Bing Su
- Abstract要約: 監視学習は、大量の高品質のデータとラベルを必要とする攻撃検出に広く利用されている。
本稿では,エンコーダと2分岐構造からなる半教師付ききめ細粒度攻撃分類フレームワークを提案する。
本モデルでは, 分類精度が5%向上し, 訓練時間の90%が短縮され, 最先端の半教師付き攻撃検出法よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 19.97236038722335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised learning has been widely used for attack detection, which requires
large amounts of high-quality data and labels. However, the data is often
imbalanced and sufficient annotations are difficult to obtain. Moreover, these
supervised models are subject to real-world deployment issues, such as
defending against unseen artificial attacks. We propose a semi-supervised
fine-grained attack categorization framework consisting of an encoder and a
two-branch structure to integrate information from labeled and unlabeled data
to tackle these practical challenges. This framework can be generalized to
different supervised models. The multilayer perceptron with residual connection
and batch normalization is used as the encoder to extract features and reduce
the complexity. The Recurrent Prototype Module (RPM) is proposed to train the
encoder effectively in a semi-supervised manner. To alleviate the problem of
data imbalance, we introduce the Weight-Task Consistency (WTC) into the
iterative process of RPM by assigning larger weights to classes with fewer
samples in the loss function. In addition, to cope with new attacks in
real-world deployment, we further propose an Active Adaption Resampling (AAR)
method, which can better discover the distribution of the unseen sample data
and adapt the parameters of the encoder. Experimental results show that our
model outperforms the state-of-the-art semi-supervised attack detection methods
with a general 5% improvement in classification accuracy and a 90% reduction in
training time.
- Abstract（参考訳）: 監視学習は、大量の高品質のデータとラベルを必要とする攻撃検出に広く利用されている。
しかし、データはしばしば不均衡であり、十分なアノテーションを得るのは難しい。
さらに、これらの監視されたモデルは、目に見えない人工攻撃に対する防御など、現実世界の展開の問題に直面している。
本稿では,ラベル付きおよびラベルなしデータからの情報を統合するためのエンコーダと2分岐構造からなる半教師付ききめ細粒度攻撃分類フレームワークを提案する。
このフレームワークは異なる教師付きモデルに一般化することができる。
残差接続とバッチ正規化を伴う多層パーセプトロンは、特徴抽出と複雑さの低減のためにエンコーダとして用いられる。
recurrent prototype module (rpm) は半教師方式でエンコーダを効果的に訓練するために提案されている。
データ不均衡の問題を緩和するために、損失関数のサンプルが少ないクラスにより大きな重みを割り当てることで、RPMの反復過程にWTC(Weight-Task Consistency)を導入する。
さらに,実世界の展開における新たな攻撃に対処するため,未確認サンプルデータの分布をよりよく発見し,エンコーダのパラメータを適応させることができるアクティブ適応サンプリング(AAR)手法を提案する。
実験結果から,本モデルは分類精度が5%向上し,トレーニング時間が90%削減され,最先端の半教師付き攻撃検出法を上回った。
関連論文リスト
- FPMT: Enhanced Semi-Supervised Model for Traffic Incident Detection [0.0]
本論文では、MixTextのフレームワーク内でFPMTと呼ばれる半教師付き学習モデルを提案する。
データ拡張モジュールには、データセットのバランスと拡張のためのGenerative Adversarial Networksが導入されている。
トレーニング戦略では、すべてのデータに対して教師なしのトレーニングを開始し、その後ラベル付きデータのサブセットを教師付き微調整し、最終的にはセミ教師付きトレーニングの目標を達成します。
論文 参考訳（メタデータ） (2024-09-12T08:38:42Z) - Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。
KL偏差正規化損失関数の最適化により重みを求める。
提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-01T06:16:18Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - DODEM: DOuble DEfense Mechanism Against Adversarial Attacks Towards
Secure Industrial Internet of Things Analytics [8.697883716452385]
I-IoT環境における敵攻撃の検出と軽減のための二重防御機構を提案する。
まず、新規性検出アルゴリズムを用いて、サンプルに対して逆攻撃があるかどうかを検知する。
攻撃があった場合、敵の再訓練はより堅牢なモデルを提供する一方、通常のサンプルに対して標準的な訓練を適用する。
論文 参考訳（メタデータ） (2023-01-23T22:10:40Z) - Distributed Adversarial Training to Robustify Deep Neural Networks at
Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。
このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。
複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-13T15:39:43Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Imbalanced Data Learning by Minority Class Augmentation using Capsule
Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。
我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。
カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文 参考訳（メタデータ） (2020-04-05T12:36:06Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。