論文の概要: Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis

• arxiv url: http://arxiv.org/abs/2411.01929v2
• Date: Wed, 06 Nov 2024 16:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 11:17:17.713936
• Title: Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis
• Title（参考訳）: 特化データ合成のための生成シーケンスモデルのためのランドスケープの探索
• Authors: Mohammad Zbeeb, Mohammad Ghorayeb, Mariam Salman,
• Abstract要約: 本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。 提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。 提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Artificial Intelligence (AI) research often aims to develop models that can generalize reliably across complex datasets, yet this remains challenging in fields where data is scarce, intricate, or inaccessible. This paper introduces a novel approach that leverages three generative models of varying complexity to synthesize one of the most demanding structured datasets: Malicious Network Traffic. Our approach uniquely transforms numerical data into text, re-framing data generation as a language modeling task, which not only enhances data regularization but also significantly improves generalization and the quality of the synthetic data. Extensive statistical analyses demonstrate that our method surpasses state-of-the-art generative models in producing high-fidelity synthetic data. Additionally, we conduct a comprehensive study on synthetic data applications, effectiveness, and evaluation strategies, offering valuable insights into its role across various domains. Our code and pre-trained models are openly accessible at Github, enabling further exploration and application of our methodology. Index Terms: Data synthesis, machine learning, traffic generation, privacy preserving data, generative models.
• Abstract（参考訳）: 人工知能(AI)の研究は、しばしば複雑なデータセットにまたがって確実に一般化できるモデルを開発することを目的としている。 本稿では,複雑度の異なる3つの生成モデルを利用して,最も要求の多い構造化データセットの1つであるMalicious Network Trafficを合成する手法を提案する。 提案手法は, 数値データをテキストに変換し, 言語モデリングタスクとして再フレーミングし, データの正規化を促進させるだけでなく, 合成データの一般化と品質を著しく向上させる。 高忠実性合成データの生成において,本手法が最先端の生成モデルを上回ることを示す。 さらに, 合成データの適用, 有効性, 評価戦略に関する総合的研究を行い, 様々な領域においてその役割について貴重な知見を提供する。 私たちのコードと事前訓練されたモデルはGithubで公開されており、私たちの方法論のさらなる調査と適用を可能にします。 インデックス用語: データ合成、機械学習、トラフィック生成、プライバシ保護データ、生成モデル。

関連論文リスト

• MALLM-GAN: Multi-Agent Large Language Model as Generative Adversarial Network for Synthesizing Tabular Data [10.217822818544475]
  大規模言語モデル(LLM)を用いた合成(語彙)データを生成するフレームワークを提案する。 提案手法は, サンプルサイズが小さい一般的なシナリオにおいて, 合成データ生成の品質を著しく向上させる。 以上の結果から,本モデルは下流タスクにおける高品質な合成データを生成する上で,実際のデータのプライバシを維持しつつ,いくつかの最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-15T06:26:17Z)
• Curating Grounded Synthetic Data with Global Perspectives for Equitable AI [0.5120567378386615]
  我々は,実世界の多様性を基盤として,戦略的多様化を通じて充実した合成データセットを作成するための新しいアプローチを導入する。 我々は12の言語と125の国にまたがる包括的なニュース記事の集合を用いてデータを合成し、言語的・文化的表現の広さを確実にする。 予備的な結果は、従来のNERベンチマークのパフォーマンスが最大7.3%向上したことを示している。
  論文  参考訳（メタデータ） (2024-06-10T17:59:11Z)
• Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
  AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。 合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
  論文  参考訳（メタデータ） (2024-04-11T06:34:17Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Does Synthetic Data Make Large Language Models More Efficient? [0.0]
  本稿では,NLPにおける合成データ生成のニュアンスについて考察する。 データ拡張の可能性や構造化品種の導入など、その利点を強調します。 テンプレートベースの合成データが現代の変圧器モデルの性能に与える影響を実証する。
  論文  参考訳（メタデータ） (2023-10-11T19:16:09Z)
• Deep Generative Models, Synthetic Tabular Data, and Differential Privacy: An Overview and Synthesis [2.8391355909797644]
  本稿では, 深層生成モデルによる合成データ生成の最近の進展を包括的に分析する。 具体的には、プライバシーに敏感なデータにおける合成データ生成の重要性について概説する。
  論文  参考訳（メタデータ） (2023-07-28T09:17:03Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。