論文の概要: FEMa-FS: Finite Element Machines for Feature Selection

• arxiv url: http://arxiv.org/abs/2212.02507v1
• Date: Mon, 5 Dec 2022 13:42:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 15:46:10.413156
• Title: FEMa-FS: Finite Element Machines for Feature Selection
• Title（参考訳）: fema-fs:特徴選択のための有限要素機械
• Authors: Lucas Biaggi, Jo\~ao P. Papa, Kelton A. P Costa, Danillo R. Pereira, Leandro A. Passos
• Abstract要約: 本稿では,特徴選択のための有限要素マシン (FEMA-FS) と呼ばれる新しい特徴選択手法を提案する。 FEMa-FSは有限要素のフレームワークを使用して、与えられたデータセットから最も関連性の高い情報を識別する。 コンピュータネットワークにおける異常検出の文脈で評価されている。
• 参考スコア（独自算出の注目度）: 0.39146761527401425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying anomalies has become one of the primary strategies towards security and protection procedures in computer networks. In this context, machine learning-based methods emerge as an elegant solution to identify such scenarios and learn irrelevant information so that a reduction in the identification time and possible gain in accuracy can be obtained. This paper proposes a novel feature selection approach called Finite Element Machines for Feature Selection (FEMa-FS), which uses the framework of finite elements to identify the most relevant information from a given dataset. Although FEMa-FS can be applied to any application domain, it has been evaluated in the context of anomaly detection in computer networks. The outcomes over two datasets showed promising results.
• Abstract（参考訳）: 異常の特定は、コンピュータネットワークにおけるセキュリティおよび保護手順に対する主要な戦略の1つとなっている。 この文脈において、機械学習に基づく手法は、そのようなシナリオを特定して無関係な情報を学ぶためのエレガントなソリューションとして登場し、識別時間の短縮と精度の向上が可能となる。 本稿では、有限要素のフレームワークを用いて、与えられたデータセットから最も関連性の高い情報を識別するFinite Element Machines for Feature Selection (FEMA-FS)と呼ばれる新しい特徴選択手法を提案する。 FEMa-FSは任意のアプリケーション領域に適用できるが、コンピュータネットワークにおける異常検出の文脈で評価されている。 2つのデータセットに対する結果は有望な結果を示した。

関連論文リスト

• Identifying Relevant Features of CSE-CIC-IDS2018 Dataset for the Development of an Intrusion Detection System [0.0]
  侵入検知システム(IDS)はITシステムにとって重要な要素である。 悪意のあるトラフィックと良性のあるトラフィックを安全に区別するために必要な,最小限の機能セットの識別は,IDSの開発において不可欠である。 本稿では、AWSデータセット上のCSE-CIC-IDS2018における前処理と機能選択のワークフローと、その結果について述べる。
  論文  参考訳（メタデータ） (2023-07-21T12:45:03Z)
• ECS -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
  データ品質の保証のための新しいアプローチを提案する。 この目的のために、まず数学的基礎を議論し、そのアプローチを複数の例を用いて提示する。 これにより、安全クリティカルなシステムにおいて、潜在的に有害な特性を持つデータポイントが検出される。
  論文  参考訳（メタデータ） (2023-07-10T06:49:18Z)
• PeSOTIF: a Challenging Visual Dataset for Perception SOTIF Problems in Long-tail Traffic Scenarios [12.17821905210185]
  本稿では,複数の資源から収集した長距離交通シナリオの高品質なデータセットを提供する。 確率的オブジェクト検出(POD)の開発を考えると、このデータセットは、シナリオ内のSOTIF問題をキーオブジェクトとして認識する原因となるかもしれないトリガー源を示す。 本稿では、このデータセットをSOTIF研究に活用する方法を示すために、SOTIFエントロピーの知覚を定量化し、シナリオが未知であり、認識システムに安全でないかどうかを確認する。
  論文  参考訳（メタデータ） (2022-11-07T10:07:30Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Feature Extraction for Machine Learning-based Intrusion Detection in IoT Networks [6.6147550436077776]
  本稿では, 特徴量削減 (FR) と機械学習 (ML) の手法が, 様々なデータセットにまたがって一般化できるかどうかを明らかにすることを目的とする。 主成分分析(PCA)、自動エンコーダ(AE)、線形識別分析(LDA)の3つの特徴抽出(FE)アルゴリズムの検出精度を評価する。
  論文  参考訳（メタデータ） (2021-08-28T23:52:18Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Feature selection for intrusion detection systems [0.0]
  本稿では,連続的な入力特徴と離散的目標値を考える上での課題に対処する特徴選択手法を提案する。 我々は、DDoS信号と良性信号の区別において、99.9%の精度を達成できる、機械学習に基づく高精度な検出システムを開発するために、我々の研究結果を用いている。
  論文  参考訳（メタデータ） (2021-06-28T18:53:21Z)
• An Explainable Machine Learning-based Network Intrusion Detection System for Enabling Generalisability in Securing IoT Networks [0.0]
  機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。 多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。 本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
  論文  参考訳（メタデータ） (2021-04-15T00:44:45Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。