論文の概要: $\text{C}^{2}\text{BNVAE}$: Dual-Conditional Deep Generation of Network Traffic Data for Network Intrusion Detection System Balancing
- arxiv url: http://arxiv.org/abs/2506.05844v1
- Date: Fri, 06 Jun 2025 08:01:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:43.371743
- Title: $\text{C}^{2}\text{BNVAE}$: Dual-Conditional Deep Generation of Network Traffic Data for Network Intrusion Detection System Balancing
- Title（参考訳）: $\text{C}^{2}\text{BNVAE}$:Dual-Conditional Deep Generation of Network Traffic Data for Network Intrusion Detection System Balancing
- Authors: Yifan Zeng,
- Abstract要約: 本稿では,バランスの取れたネットワークトラフィックデータを生成するために,Dual-Conditional Batch Normalization Variational Autoencoder(textC2textBNVAE$)を提案する。
$textC2textBNVAE$は、異なるデータカテゴリへのモデルの適応性を改善し、リアルなカテゴリ固有のデータを生成する。
- 参考スコア（独自算出の注目度）: 0.43512163406552007
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Network Intrusion Detection Systems (NIDS) face challenges due to class imbalance, affecting their ability to detect novel and rare attacks. This paper proposes a Dual-Conditional Batch Normalization Variational Autoencoder ($\text{C}^{2}\text{BNVAE}$) for generating balanced and labeled network traffic data. $\text{C}^{2}\text{BNVAE}$ improves the model's adaptability to different data categories and generates realistic category-specific data by incorporating Conditional Batch Normalization (CBN) into the Conditional Variational Autoencoder (CVAE). Experiments on the NSL-KDD dataset show the potential of $\text{C}^{2}\text{BNVAE}$ in addressing imbalance and improving NIDS performance with lower computational overhead compared to some baselines.
- Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)は、クラス不均衡による問題に直面し、新しい攻撃や稀な攻撃を検出する能力に影響する。
本稿では,バランスの取れたネットワークトラフィックデータを生成するために,Dual-Conditional Batch Normalization Variational Autoencoder(\text{C}^{2}\text{BNVAE}$)を提案する。
$\text{C}^{2}\text{BNVAE}$は、異なるデータカテゴリへのモデルの適応性を改善し、条件付きバッチ正規化(CBN)を条件付き変分オートエンコーダ(CVAE)に組み込むことで、現実的なカテゴリ固有のデータを生成する。
NSL-KDDデータセットの実験では、不均衡に対処し、いくつかのベースラインよりも計算オーバーヘッドが低いNIDS性能を改善するために、$\text{C}^{2}\text{BNVAE}$の可能性を示している。
関連論文リスト
- Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。
本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文 参考訳（メタデータ） (2024-11-30T17:05:12Z) - Test-time Batch Normalization [61.292862024903584]
ディープニューラルネットワークは、トレーニングとテストの間のデータ分散シフトに悩まされることが多い。
トレーニングプロセスにおけるバッチ正規化(BN)を再検討し、テスト時の最適化に有効な2つの重要な洞察を明らかにします。
本稿では,エントロピー損失を最小限に抑えて,テスト中に最適化された新しいBN層設計GpreBNを提案する。
論文 参考訳（メタデータ） (2022-05-20T14:33:39Z) - Conditional Variational Autoencoder with Balanced Pre-training for
Generative Adversarial Networks [11.46883762268061]
クラス不均衡は、各クラスの画像数が大きく異なる画像分類を含む多くの実世界のアプリケーションで発生する。
不均衡なデータでは、GAN(Generative Adversarial Network)は多数派に傾いている。
本稿では, リアルな合成画像を生成するための拡張ツールとして, CAPGAN (Geneversarative Adrial Networks) のためのバランス付き事前学習機能を備えた新しい変分オートエンコーダを提案する。
論文 参考訳（メタデータ） (2022-01-13T06:52:58Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳（メタデータ） (2021-12-10T03:08:55Z) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳（メタデータ） (2021-10-06T08:45:03Z) - Neural Network Training Using $\ell_1$-Regularization and Bi-fidelity
Data [0.0]
高忠実度モデルからの小さなトレーニングデータセットのみが利用可能である場合、スペーサがニューラルネットワークのトレーニングに$ell_$-regularizationを促進させる効果について検討する。
本稿では,問題の低忠実度モデルから得られたデータを用いて訓練した同一ネットワークのパラメータから,$ell_$-regularizationの2つの変種について考察する。
これらのバイフィダリティ戦略は、大きな低フィダリティデータセットから学習したパラメータを使用して、小さな高フィダリティデータセットのためにネットワークを効率的にトレーニングするニューラルネットワークの転送学習の一般化である。
論文 参考訳（メタデータ） (2021-05-27T08:56:17Z) - SCA-Net: A Self-Correcting Two-Layer Autoencoder for Hyper-spectral
Unmixing [3.918940900258555]
本研究では,2層オートエンコーダ(SCA-Net)が,従来報告されていた値から10～5ドル程度のスケールの誤差測定値を実現することを示す。
また、両直交表現に基づくSCA-Netは、エンドメンバー数が過剰に指定された場合に自己補正を行うことを示す。
論文 参考訳（メタデータ） (2021-02-10T19:37:52Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z) - Towards Stable Imbalanced Data Classification via Virtual Big Data
Projection [3.3707422585608953]
深層オートエンコーダ訓練と不均衡データ分類に対処するVBDの能力について検討する。
まず、VBDは、膨大な多様なトレーニングデータを提供することで、オートエンコーダのバリデーション損失を著しく低減できることを示す。
第2に、オーバーサンプリングを伴わないスキュートクラス分布のバランスをとるために、クロスコンカニエーションと呼ばれる最初のプロジェクションベース手法を提案する。
論文 参考訳（メタデータ） (2020-08-23T04:01:51Z) - ProbaNet: Proposal-balanced Network for Object Detection [35.77542937741813]
本稿では,不均衡問題を軽減するための提案均衡ネットワーク(ProbaNet)を提案する。
ProbaNetは、しきい値切り込みを通じて簡単なサンプルを捨てることで、トレーニング用のハードサンプルを選択する確率を高める。
既存の2段検出器と互換性があり、計算コストも非常に少ない。
論文 参考訳（メタデータ） (2020-05-06T10:07:39Z) - Identifying and Compensating for Feature Deviation in Imbalanced Deep
Learning [59.65752299209042]
このようなシナリオ下でのConvNetの学習について検討する。
私たちは、ConvNetがマイナーなクラスにかなり適合していることに気づきました。
クラス依存型温度トレーニング(CDT)のConvNetの導入を提案する。
論文 参考訳（メタデータ） (2020-01-06T03:52:11Z)
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。