論文の概要: Detecting Irregular Network Activity with Adversarial Learning and
Expert Feedback
- arxiv url: http://arxiv.org/abs/2210.02841v1
- Date: Sat, 1 Oct 2022 20:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:04:05.351753
- Title: Detecting Irregular Network Activity with Adversarial Learning and
Expert Feedback
- Title(参考訳): 逆学習とエキスパートフィードバックによる不規則ネットワーク活動の検出
- Authors: Gopikrishna Rathinavel, Nikhil Muralidhar, Timothy O'Shea and Naren
Ramakrishnan
- Abstract要約: CAADは、無線ネットワークにおける正常な動作と異常な動作の効果的な表現を学習するために、対向的な設定で対照的な学習を採用する。
我々はCAADの厳密な性能比較をいくつかの最先端異常検出技術と比較し、CAADが92.84%の平均性能改善をもたらすことを検証した。
- 参考スコア(独自算出の注目度): 14.188603782159372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is a ubiquitous and challenging task relevant across many
disciplines. With the vital role communication networks play in our daily
lives, the security of these networks is imperative for smooth functioning of
society. To this end, we propose a novel self-supervised deep learning
framework CAAD for anomaly detection in wireless communication systems.
Specifically, CAAD employs contrastive learning in an adversarial setup to
learn effective representations of normal and anomalous behavior in wireless
networks. We conduct rigorous performance comparisons of CAAD with several
state-of-the-art anomaly detection techniques and verify that CAAD yields a
mean performance improvement of 92.84%. Additionally, we also augment CAAD
enabling it to systematically incorporate expert feedback through a novel
contrastive learning feedback loop to improve the learned representations and
thereby reduce prediction uncertainty (CAAD-EF). We view CAAD-EF as a novel,
holistic and widely applicable solution to anomaly detection.
- Abstract(参考訳): 異常検出は多くの分野にまたがるユビキタスで困難な課題である。
コミュニケーションネットワークが日常生活で果たす重要な役割により、これらのネットワークのセキュリティは社会の円滑な機能に不可欠である。
そこで本稿では,無線通信システムにおける異常検出のための自己教師型ディープラーニングフレームワークCAADを提案する。
特にCAADは、無線ネットワークにおける正常および異常な動作の効果的な表現を学習するために、対向的な設定で対照的な学習を採用する。
我々はCAADの厳密な性能比較をいくつかの最先端異常検出技術と比較し、CAADが92.84%の性能改善をもたらすことを検証した。
さらに,新たなコントラスト学習フィードバックループを通じて,専門家のフィードバックを体系的に取り入れることで,学習表現の改善と予測不確実性(caad-ef)の低減を可能にした。
われわれはCAAD-EFを,異常検出のための新規で総合的で広く適用可能なソリューションであると考えている。
関連論文リスト
- Advancing Security in AI Systems: A Novel Approach to Detecting
Backdoors in Deep Neural Networks [3.489779105594534]
バックドアは、ディープニューラルネットワーク(DNN)上の悪意あるアクターと、データ処理のためのクラウドサービスによって悪用される。
提案手法は高度テンソル分解アルゴリズムを利用して,事前学習したDNNの重みを慎重に解析し,バックドアモデルとクリーンモデルとの区別を行う。
この進歩は、ネットワークシステムにおけるディープラーニングとAIのセキュリティを強化し、新興技術の脅威の進化に対して不可欠なサイバーセキュリティを提供する。
論文 参考訳(メタデータ) (2024-03-13T03:10:11Z) - A Reusable AI-Enabled Defect Detection System for Railway Using
Ensembled CNN [5.381374943525773]
欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。
現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。
再利用可能なAI対応欠陥検出手法を提案する。
論文 参考訳(メタデータ) (2023-11-24T19:45:55Z) - AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。
我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。
本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
論文 参考訳(メタデータ) (2023-03-22T02:28:54Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳(メタデータ) (2022-04-28T23:10:47Z) - Network Activities Recognition and Analysis Based on Supervised Machine
Learning Classification Methods Using J48 and Na\"ive Bayes Algorithm [1.6181085766811525]
教師付き分類技術に基づく機械学習手法の適用は、重大で退屈な作業からネットワークセキュリティスタッフを解放するのに役立ちます。
微調整されたモデルは、ユーザの振る舞いを正確に認識し、比較的高い精度と適応性を備えた永続的な監視を提供する。
論文 参考訳(メタデータ) (2021-05-28T09:44:14Z) - Exploring Robustness of Unsupervised Domain Adaptation in Semantic
Segmentation [74.05906222376608]
クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。
i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
論文 参考訳(メタデータ) (2021-05-23T01:50:44Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。
ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。
さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
論文 参考訳(メタデータ) (2020-12-31T08:21:37Z) - An Isolation Forest Learning Based Outlier Detection Approach for
Effectively Classifying Cyber Anomalies [2.2628381865476115]
サイバー異常を効果的に分類するためのIsolation Forest Learning-Based Outlier Detection Modelを提案する。
実験の結果,異常値の除去によりサイバー異常の分類精度が向上した。
論文 参考訳(メタデータ) (2020-12-09T05:09:52Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳(メタデータ) (2020-04-30T19:12:50Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳(メタデータ) (2020-01-13T13:54:36Z)
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。