論文の概要: Dynamic Adaptive Parsing of Temporal and Cross-Variable Patterns for Network State Classification

• arxiv url: http://arxiv.org/abs/2509.11601v1
• Date: Mon, 15 Sep 2025 05:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.162508
• Title: Dynamic Adaptive Parsing of Temporal and Cross-Variable Patterns for Network State Classification
• Title（参考訳）: ネットワーク状態分類のための時間・多変数パターンの動的適応解析
• Authors: Yuan Gao, Xuelong Wang, Zhenguo Dong, Yong Zhang,
• Abstract要約: DAPNetはMixture-of-Expertsアーキテクチャに基づくフレームワークである。 DAPNetは、周期解析、動的相互変数相関モデリング、ハイブリッド時間特徴抽出の3つの専門ネットワークを統合している。 アーキテクチャ設計の一般化性は、10のパブリックなUEAベンチマークデータセットで評価される。
• 参考スコア（独自算出の注目度）: 9.007194066331452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective network state classification is a primary task for ensuring network security and optimizing performance. Existing deep learning models have shown considerable progress in this area. Some methods excel at analyzing the complex temporal periodicities found in traffic data, while graph-based approaches are adept at modeling the dynamic dependencies between different variables. However, a key trade-off remains, as these methods struggle to capture both characteristics simultaneously. Models focused on temporal patterns often overlook crucial variable dependencies, whereas those centered on dependencies may fail to capture fine-grained temporal details. To address this trade-off, we introduce DAPNet, a framework based on a Mixture-of-Experts architecture. DAPNet integrates three specialized networks for periodic analysis, dynamic cross-variable correlation modeling, and hybrid temporal feature extraction. A learnable gating network dynamically assigns weights to experts based on the input sample and computes a weighted fusion of their outputs. Furthermore, a hybrid regularization loss function ensures stable training and addresses the common issue of class imbalance. Extensive experiments on two large-scale network intrusion detection datasets (CICIDS2017/2018) validate DAPNet's higher accuracy for its target application. The generalizability of the architectural design is evaluated across ten public UEA benchmark datasets, positioning DAPNet as a specialized framework for network state classification.
• Abstract（参考訳）: ネットワーク状態の効果的な分類は、ネットワークのセキュリティを確保し、パフォーマンスを最適化するための主要なタスクである。 既存のディープラーニングモデルは、この分野でかなりの進歩を見せている。 いくつかの手法は、トラフィックデータに見られる複雑な時間周期性を分析するのに優れ、グラフベースのアプローチは、異なる変数間の動的依存関係をモデル化するのに適しています。 しかし、これらの手法は両方の特徴を同時に捉えるのに苦労するため、重要なトレードオフが残っている。 時間的パターンに焦点を当てたモデルは、しばしば重要な変数の依存関係を見落としている。 このトレードオフを解決するために、Mixture-of-Expertsアーキテクチャに基づいたフレームワークであるDAPNetを紹介します。 DAPNetは、周期解析、動的相互変数相関モデリング、ハイブリッド時間特徴抽出の3つの専門ネットワークを統合している。 学習可能なゲーティングネットワークは、入力サンプルに基づいて、動的に重み付けを専門家に割り当て、その出力の重み付け融合を計算する。 さらに、ハイブリッド正規化損失関数は安定したトレーニングを保証し、クラス不均衡の共通問題に対処する。 2つの大規模ネットワーク侵入検出データセット(CICIDS2017/2018)の大規模な実験により、DAPNetのターゲットアプリケーションに対する高い精度が検証された。 アーキテクチャ設計の一般化性は、10のパブリックなUEAベンチマークデータセットで評価され、DAPNetをネットワーク状態分類の特別なフレームワークとして位置づけている。

関連論文リスト

• Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks [15.87545402988833]
  本稿では,分散システムにおける性能変動予測の課題を解決するために,時間グラフニューラルネットワークによる性能予測を提案する。 ノードサービスのランタイム機能とサービス間の呼び出し関係を統合し、統一されたフレームワークを構築する。 その結果,提案手法はMAE,RMSE,R2といった主要な指標において,既存の代表手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-09T23:50:47Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
  本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。 本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。 提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-08-22T22:50:46Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• A Network Classification Method based on Density Time Evolution Patterns Extracted from Network Automata [0.0]
  そこで我々は,密度時間進化パターン(D-TEP)と状態密度時間進化パターン(SD-TEP)とを識別する,分類のための記述子として使用する情報の代替源を提案する。 その結果,従来の5つの合成ネットワークデータベースと7つの実世界のデータベースと比較すると,顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-11-18T15:27:26Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• On a Bernoulli Autoregression Framework for Link Discovery and Prediction [1.9290392443571387]
  本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。 本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。 既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
  論文  参考訳（メタデータ） (2020-07-23T05:58:22Z)

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。