論文の概要: parHSOM: A novel parallel Hierarchical Self-Organizing Map implementation

• arxiv url: http://arxiv.org/abs/2605.08164v1
• Date: Mon, 04 May 2026 16:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.41482
• Title: parHSOM: A novel parallel Hierarchical Self-Organizing Map implementation
• Title（参考訳）: parHSOM:新しい並列階層的自己組織化マップの実装
• Authors: Rebekah Lane, Logan Cummins, Andy Perkins, George Trawick, Ioana Banicescu, Sudip Mittal,
• Abstract要約: 本研究は侵入検知システム(IDS)に焦点を当てる。 文献の中で、階層的自己組織化マップ(HSOM)は信頼できる、説明可能な、AIベースのIDSを作成するために使われてきた。 この研究は、parHSOMと呼ばれる新しい並列HSOMアーキテクチャを提示する。
• 参考スコア（独自算出の注目度）: 3.6123312547154622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The digital age has completely transformed the way that information is processed and stored, which makes cybersecurity a crucial field of research. Cybersecurity contains many different domains, but this work focuses on Intrusion Detection Systems (IDSs). Within the literature, Hierarchical Self-Organizing Maps (HSOMs) have been used to create trustworthy, explainable, and AI-based IDSs. However, HSOMs are trained sequentially, which means that training HSOMs on large datasets is slow. This work presents a novel parallel HSOM architecture, called parHSOM. The purpose of this research is to investigate the effect that parallel computation has on the HSOM training time. parHSOM is tested on two different testbeds, four different output grid sizes, and five different cybersecurity datasets. Performance metrics collected from these experiments show that parHSOM consistently trains faster than the Sequential HSOM algorithm without any significant loss in performance. Additionally, this work provides a platform for further investigation into parallel HSOM implementations.
• Abstract（参考訳）: デジタル時代は、情報の処理と保存の方法を完全に変えたので、サイバーセキュリティは重要な研究分野となっている。 サイバーセキュリティには多くの異なるドメインが含まれているが、この研究は侵入検知システム(IDS)に焦点を当てている。 文献の中で、階層的自己組織化マップ(HSOM)は信頼できる、説明可能な、AIベースのIDSを作成するために使われてきた。 しかし、HSOMは逐次訓練されるため、大規模なデータセット上でのHSOMのトレーニングは遅い。 この研究は、parHSOMと呼ばれる新しい並列HSOMアーキテクチャを提示する。 本研究の目的は,並列計算がHSOMトレーニング時間に与える影響を検討することである。 parHSOMは、2つの異なるテストベッド、4つの異なる出力グリッドサイズ、5つの異なるサイバーセキュリティデータセットでテストされている。 これらの実験から得られた性能測定値から、 parHSOM は逐次 HSOM アルゴリズムよりも常に高速にトレーニングできる。 さらに、この研究は、並列HSOMの実装をさらに調査するためのプラットフォームを提供する。

関連論文リスト

• DySS: Dynamic Queries and State-Space Learning for Efficient 3D Object Detection from Multi-Camera Videos [53.52664872583893]
  Bird's Eye View (BEV) におけるカメラベースの3Dオブジェクト検出は、自律運転において最も重要な認識タスクの1つである。 状態空間学習と動的クエリを用いた新しいDySSを提案する。 提案するDySSは,優れた検出性能と効率的な推論を実現する。
  論文  参考訳（メタデータ） (2025-06-11T23:49:56Z)
• Continual Learning with Dynamic Sparse Training: Exploring Algorithms for Effective Model Updates [13.983410740333788]
  連続学習(英: Continual Learning, CL)とは、知的なシステムが、可能な限り計算オーバーヘッドの少ないデータストリームから、逐次的に知識を取得し、保持する能力である。 ダイナミックスパーストレーニング(Dynamic Sparse Training, DST)は、これらのスパースネットワークを見つけ、タスクごとに分離する方法である。 本論文は,CLパラダイムの下で異なるDST成分の効果を検証した最初の実証的研究である。
  論文  参考訳（メタデータ） (2023-08-28T18:31:09Z)
• Rethinking Few-Shot Object Detection on a Multi-Domain Benchmark [28.818423712485504]
  Multi-dOmain Few-Shot Object Detection (MoFSOD)ベンチマークは、幅広いドメインから10のデータセットで構成されている。 我々は、FSOD性能に対する凍結層、異なるアーキテクチャ、異なる事前学習データセットの影響を分析する。
  論文  参考訳（メタデータ） (2022-07-22T16:13:22Z)
• A Unified Transformer Framework for Group-based Segmentation: Co-Segmentation, Co-Saliency Detection and Video Salient Object Detection [59.21990697929617]
  人間は、ダイナミックな世界に住んでいるので、画像のグループやビデオのフレームから学ぶことによってオブジェクトをマイニングする傾向があります。 従来のアプローチでは、類似したタスクで異なるネットワークを個別に設計するが、互いに適用するのは困難である。 UFO(UnifiedObject Framework for Co-Object Framework)という,これらの問題に対処するための統一フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-03-09T13:35:19Z)
• Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
  汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。 以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。 我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T03:43:16Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• SPCNet:Spatial Preserve and Content-aware Network for Human Pose Estimation [3.2540745519652434]
  Dilated Hourglass Module(DHM)とSelective Information Module(SIM)の2つの有効モジュールを含む新しい空間保存・コンテンツ認識ネットワーク(SPCNet)を提案する。 特に,従来の手法を超越して,3つのベンチマークデータセットの最先端性能を実現している。
  論文  参考訳（メタデータ） (2020-04-13T09:14:00Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。