論文の概要: Late Breaking Results: Scalable and Efficient Hyperdimensional Computing
for Network Intrusion Detection
- arxiv url: http://arxiv.org/abs/2304.06728v1
- Date: Tue, 11 Apr 2023 21:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 04:33:05.241005
- Title: Late Breaking Results: Scalable and Efficient Hyperdimensional Computing
for Network Intrusion Detection
- Title(参考訳): 遅延破壊結果:ネットワーク侵入検出のためのスケーラブルで効率的な超次元計算
- Authors: Junyao Wang, Hanning Chen, Mariam Issa, Sitao Huang, Mohsen Imani
- Abstract要約: CyberHDは、非常に低い次元で複雑なサイバー脅威のパターンを捉え、再生する革新的なHDC学習フレームワークである。
さらに、高次元空間におけるパターンのホログラム分布は、特にハードウェアエラーに対する堅牢性が高いCyberHDを提供する。
- 参考スコア(独自算出の注目度): 8.580557246382142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cybersecurity has emerged as a critical challenge for the industry. With the
large complexity of the security landscape, sophisticated and costly deep
learning models often fail to provide timely detection of cyber threats on edge
devices. Brain-inspired hyperdimensional computing (HDC) has been introduced as
a promising solution to address this issue. However, existing HDC approaches
use static encoders and require very high dimensionality and hundreds of
training iterations to achieve reasonable accuracy. This results in a serious
loss of learning efficiency and causes huge latency for detecting attacks. In
this paper, we propose CyberHD, an innovative HDC learning framework that
identifies and regenerates insignificant dimensions to capture complicated
patterns of cyber threats with remarkably lower dimensionality. Additionally,
the holographic distribution of patterns in high dimensional space provides
CyberHD with notably high robustness against hardware errors.
- Abstract(参考訳): サイバーセキュリティは業界にとって重要な課題となっている。
セキュリティの複雑さが大きいため、高度なディープラーニングモデルは、エッジデバイス上でのサイバー脅威のタイムリーな検出に失敗することが多い。
脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するための有望な解決策として紹介されている。
しかし、既存のhdcアプローチは静的エンコーダを使用し、妥当な精度を達成するために非常に高い次元と数百のトレーニングイテレーションを必要とする。
これにより、学習効率が著しく低下し、攻撃を検出するのに巨大な遅延が発生する。
本稿では,非常に低次元のサイバー脅威の複雑なパターンを捉えるために,重要次元を特定し再生する革新的なHDC学習フレームワークであるCyberHDを提案する。
さらに、高次元空間におけるパターンのホログラフィック分布は、cyberhdに特にハードウェアエラーに対する高い堅牢性を提供する。
関連論文リスト
- Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Robust and Scalable Hyperdimensional Computing With Brain-Like Neural
Adaptations [17.052624039805856]
Internet of Things(IoT)は、エッジベースの機械学習(ML)メソッドを使用して、ローカルに収集されたデータを分析する多くのアプリケーションを容易にした。
脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するために導入された。
既存のHDCは静的エンコーダを使用しており、正確な精度を達成するために非常に高次元と数百のトレーニングイテレーションを必要とする。
本研究では,非所望次元を特定し再生する動的HDC学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-13T19:42:33Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-09-23T00:05:39Z) - DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional
Classification [10.535034643999344]
本稿では,HDC適応学習のための動的符号化手法であるDistHDを提案する。
提案するアルゴリズムであるDistHDは,より低次元で所望の精度を実現する。
論文 参考訳(メタデータ) (2023-04-11T21:18:52Z) - Adversarial training with informed data selection [53.19381941131439]
アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。
本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。
シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
論文 参考訳(メタデータ) (2023-01-07T12:09:50Z) - A Proper Orthogonal Decomposition approach for parameters reduction of
Single Shot Detector networks [0.0]
本稿では,古典的モデルオーダー削減手法であるProper Orthogonal Decompositionに基づく次元削減フレームワークを提案する。
我々は、PASCAL VOCデータセットを用いてSSD300アーキテクチャにそのようなフレームワークを適用し、ネットワーク次元の削減と、転送学習コンテキストにおけるネットワークの微調整における顕著な高速化を実証した。
論文 参考訳(メタデータ) (2022-07-27T14:43:14Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳(メタデータ) (2022-07-13T13:59:59Z) - Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。
最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。
しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。
本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文 参考訳(メタデータ) (2021-01-18T03:24:48Z) - Hardware Accelerator for Adversarial Attacks on Deep Learning Neural
Networks [7.20382137043754]
強靭な物理的摂動を生成するために, 対向攻撃ネットワークアルゴリズムのクラスが提案されている。
本稿では,メムリスタクロスバーアレーをベースとした敵攻撃用ハードウェアアクセラレータを提案する。
論文 参考訳(メタデータ) (2020-08-03T21:55:41Z) - TOG: Targeted Adversarial Objectness Gradient Attacks on Real-time
Object Detection Systems [14.976840260248913]
本稿では,3つの対象対向対象度勾配攻撃により,オブジェクトの消滅,オブジェクトのファブリケーション,オブジェクトのミスラベリングが生じることを示す。
また,ブラックボックス攻撃に対して,対向移動性を利用する汎用的オブジェクト指向勾配攻撃を提案する。
その結果、深刻な敵の脆弱性が示され、堅牢な物体検出システムを開発するための説得力のある必要性が示された。
論文 参考訳(メタデータ) (2020-04-09T01:36:23Z) - 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)
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。