Fugu-MT 論文翻訳(概要): Threat Classification on Deployed Optical Networks Using MIMO Digital Fiber Sensing, Wavelets, and Machine Learning

論文の概要: Threat Classification on Deployed Optical Networks Using MIMO Digital Fiber Sensing, Wavelets, and Machine Learning

arxiv url: http://arxiv.org/abs/2409.03667v1
Date: Thu, 5 Sep 2024 16:21:20 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 19:53:43.189548
Title: Threat Classification on Deployed Optical Networks Using MIMO Digital Fiber Sensing, Wavelets, and Machine Learning
Title（参考訳）: MIMOディジタルファイバーセンシング,ウェーブレット,機械学習を用いた展開光ネットワークの脅威分類
Authors: Khouloud Abdelli, Henrique Pavani, Christian Dorize, Sterenn Guerrier, Haik Mardoyan, Patricia Layec, Jeremie Renaudier,
Abstract要約: 我々は、削岩機や掘削機を含む機械的脅威分類を実証する。我々の機械学習フレームワークは、転送学習を取り入れ、フィールドデータから93%の分類精度を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We demonstrate mechanical threats classification including jackhammers and excavators, leveraging wavelet transform of MIMO-DFS output data across a 57-km operational network link. Our machine learning framework incorporates transfer learning and shows 93% classification accuracy from field data, with benefits for optical network supervision.
Abstract（参考訳）: 57kmのネットワークリンク上でMIMO-DFS出力データのウェーブレット変換を利用して, 削岩機や掘削機を含む機械的脅威分類を行う。我々の機械学習フレームワークは、転送学習を取り入れ、フィールドデータから93%の分類精度を示し、光ネットワークの監視に有効である。

関連論文リスト

Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文参考訳（メタデータ） (2024-07-18T04:36:10Z)
Enhancing Automata Learning with Statistical Machine Learning: A Network Security Case Study [4.2751988244805466]
本稿では,ネットワークトラヒックデータから状態マシンを抽出するために,オートマチック学習を用いる。我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムに適用する。我々の手法は、学習された状態マシンの状態数と遷移を平均67.5%削減する。
論文参考訳（メタデータ） (2024-05-18T02:10:41Z)
Training all-mechanical neural networks for task learning through in situ backpropagation [1.3812010983144802]
In situバックプロパゲーションのメカニカルアナログを導入し、メカニカルニューラルネットワークの高度に効率的なトレーニングを可能にする。勾配情報を用いて、動作学習と機械学習タスクのためのMNNのトレーニングの成功例を示す。我々の発見は、機械機械学習ハードウェアと自律型自己学習教材システムへの道を開いた。
論文参考訳（メタデータ） (2024-04-23T19:20:41Z)
Experimental Investigation of Machine Learning based Soft-Failure Management using the Optical Spectrum [0.0]
本稿では,異なる機械学習アルゴリズムのソフト障害管理の性能を実験的に比較する。機械学習に基づくソフト障害管理フレームワークを提案する。このフレームワークは、利用可能なトレーニングデータのごく一部で確実に動作し、未知の障害タイプを特定することができる。
論文参考訳（メタデータ） (2023-12-12T12:21:08Z)
OMINACS: Online ML-Based IoT Network Attack Detection and Classification System [0.0]
本稿では,オンライン攻撃検知とネットワークトラフィック分類システムを提案する。ストリーム機械学習、ディープラーニング、およびアンサンブルラーニングのテクニックを組み合わせる。悪意のあるトラフィックフローの存在を検出し、それらが表現する攻撃の種類に応じてそれらを分類することができる。
論文参考訳（メタデータ） (2023-02-18T04:06:24Z)
ML-based Anomaly Detection in Optical Fiber Monitoring [0.0]
本稿では,光ネットワークにおける異常検出と故障同定のためのデータ駆動手法を提案し,ファイバブレークや光タッピングなどの物理的攻撃を診断する。実運用データを用いた各種攻撃シナリオを用いた実験により,本手法の有効性を検証した。
論文参考訳（メタデータ） (2022-02-23T19:43:37Z)
Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文参考訳（メタデータ） (2021-03-31T11:47:47Z)
Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文参考訳（メタデータ） (2021-02-09T15:48:35Z)
Acquisition of Channel State Information for mmWave Massive MIMO: Traditional and Machine Learning-based Approaches [48.52099617055683]
チャネル状態情報(CSI)の取得精度はミリ波通信の性能に直接影響を与える。本稿では,ミリ波マルチインプットマルチアウトプットシステムのビームトレーニングとチャネル推定を含む,CSIの買収の概要について述べる。
論文参考訳（メタデータ） (2020-06-16T03:11:51Z)
From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文参考訳（メタデータ） (2020-06-07T05:11:18Z)
Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。