論文の概要: Interactive Analysis of Global Explanations using Aggregated Class Activation Maps for Network Data
- arxiv url: http://arxiv.org/abs/2608.13575v1
- Date: Sun, 05 Jul 2026 17:14:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.203449
- Title: Interactive Analysis of Global Explanations using Aggregated Class Activation Maps for Network Data
- Title（参考訳）: ネットワークデータのための集合クラス活性化マップを用いたグローバル説明の対話的分析
- Abstract要約: 本稿では,ネットワークトラフィックのクラス予測を視覚対話的に記述するシステムを提案する。
与えられたクラスの複数のサンプルから得られたグローバルな説明は、モデル予測の理解に寄与する。
このアプローチはまた、MLの専門家がクラスを分離またはマージする可能性を含む、新しい洞察を得ることを可能にすることを目的としています。
- 参考スコア（独自算出の注目度）: 3.1802882268077313
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent machine learning (ML) advances have demonstrated that deep learning (DL) achieves impressive results in different application domains, including the classification of computer network traffic to corresponding applications. However, the data frequently contains diverging patterns within a single predicted class. This presents a significant challenge to the ability to provide a clear and comprehensive explanation and emphasizes the necessity for tools capable of detecting and analyzing these patterns. Furthermore, the capacity to extract descriptive rules for classes is a crucial requirement in network traffic analysis and intrusion detection, particularly when leveraging advanced tools like next-generation firewalls. We provide a visual-interactive system that explains predictions of classes for network traffic. Global explanations derived from multiple samples of a given class contribute to understanding model predictions. Visualization of global explanations enables recognition of different patterns that offer experts a more comprehensive overview of its characteristics. We introduce a prototype that facilitates visual exploration and refinement of global explanations, enabling network experts to detect and refine new patterns for specific applications. These explanations support the identification of misleading features and the formulation of new rules for the management of networks. Our approach also aims at enabling ML experts to acquire new insights, including the possibility of separating or merging classes and the development of more accurate and reliable DL models. Our proposed prototype was evaluated by experts in machine learning and network analysis.
- Abstract（参考訳）: 最近の機械学習(ML)の進歩は、ディープラーニング(DL)が、コンピュータネットワークトラフィックを対応するアプリケーションに分類するなど、異なるアプリケーション領域で印象的な結果をもたらすことを示した。
しかし、データは単一の予測クラス内でのばらつきパターンを頻繁に含んでいる。
このことは、明確で包括的な説明を提供する能力に対する大きな課題を示し、これらのパターンを検出し分析できるツールの必要性を強調している。
さらに、クラスのための記述ルールを抽出する能力は、特に次世代ファイアウォールのような高度なツールを利用する場合、ネットワークトラフィック分析と侵入検出において重要な要件である。
ネットワークトラフィックのクラス予測を視覚対話的に記述するシステムを提案する。
与えられたクラスの複数のサンプルから得られたグローバルな説明は、モデル予測の理解に寄与する。
グローバルな説明の可視化により、専門家にその特徴をより包括的な概要を提供するさまざまなパターンの認識が可能になる。
我々は,グローバルな説明の視覚的探索と洗練を容易にするプロトタイプを導入し,ネットワークの専門家が特定のアプリケーションのための新しいパターンを検出し,洗練することを可能にする。
これらの説明は、誤解を招く特徴の識別と、ネットワーク管理のための新しいルールの定式化を支援する。
このアプローチは、クラスを分離またはマージする可能性や、より正確で信頼性の高いDLモデルの開発など、ML専門家が新たな洞察を得ることを可能にすることを目的としています。
提案するプロトタイプは,機械学習とネットワーク解析の専門家によって評価された。
関連論文リスト
- Embedding Learning on Multiplex Networks for Link Prediction [1.4273866043218153]
本稿では,リンク予測のための多重ネットワークへの埋め込み学習モデルについて述べる。
組込み技術や組込み技術の種類に応じて,モデルの分類と比較を行う改良手法を提案する。
我々は、新規で公正なテスト手順を提案することによって、有向多重化ネットワークの評価に取り組む。
論文 参考訳（メタデータ） (2026-02-02T10:23:10Z) - Towards the Visualization of Aggregated Class Activation Maps to Analyse
the Global Contribution of Class Features [0.47248250311484113]
クラスアクティベーションマップ(CAM)は、分類に寄与するデータサンプルの各機能の重要性を視覚化する。
複数のサンプルからCAMを集約し,意味的に構造化されたデータの分類のグローバルな説明を示す。
我々のアプローチでは,分析者が高次元データの重要な特徴を検出し,世界的説明の可視化に基づいてAIモデルに調整を導出することができる。
論文 参考訳（メタデータ） (2023-07-29T11:13:11Z) - Visualization Of Class Activation Maps To Explain AI Classification Of
Network Packet Captures [0.0]
ネットワーク内のコネクションの数と新しいアプリケーションの追加は、大量のログデータを引き起こします。
ディープラーニング手法は、特徴抽出と単一システムにおけるデータからの分類の両方を提供する。
本稿では、ネットワークデータの分類と説明技法を組み合わせて、専門家、アルゴリズム、データ間のインターフェースを形成する視覚対話型ツールを提案する。
論文 参考訳（メタデータ） (2022-09-05T16:34:43Z) - Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文 参考訳（メタデータ） (2022-08-24T04:26:21Z) - Learning Prototype-oriented Set Representations for Meta-Learning [85.19407183975802]
集合構造データから学ぶことは、近年注目を集めている根本的な問題である。
本稿では,既存の要約ネットワークを改善するための新しい最適輸送方式を提案する。
さらに、少数ショット分類と暗黙的メタ生成モデリングの事例にインスタンス化する。
論文 参考訳（メタデータ） (2021-10-18T09:49:05Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳（メタデータ） (2021-03-18T13:04:21Z) - 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) - Feature Extraction for Novelty Detection in Network Traffic [18.687465197576415]
データ表現は、機械学習における新規性検出手法の性能において重要な役割を果たす。
我々は、オープンソースのツール、付随するPythonライブラリ、ネットワークトラフィックの新規検出のためのエンドツーエンドパイプラインをリリースします。
論文 参考訳（メタデータ） (2020-06-30T17:53:59Z) - EXPLAIN-IT: Towards Explainable AI for Unsupervised Network Traffic
Analysis [7.447122949368314]
ラベルのないデータを扱う手法であるEXPLAIN-ITを導入し、意味のあるクラスタを作成し、エンドユーザのクラスタリング結果の説明を提案する。
暗号化されたトラフィックシナリオ下でのYouTubeビデオ品質分類の問題に対してEXPLAIN-ITを適用し,有望な結果を示す。
論文 参考訳（メタデータ） (2020-03-03T17:54:41Z)
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。