MMJul, 2013

课堂安静：分类、噪声及树突状细胞算法

PDF
TL;DR研究了用传统机器学习技术代替 Dendritic Cell Algorithm 分类阶段的效果以及该算法的动态过滤功能对异常检测问题的实用性，并发现 DCA 仍具有待研究的独特特性和潜在应用，建议在人工免疫系统社区进一步探讨其应用领域。
dendritic cell algorithmmachine learninganomaly detectiondynamic filteringartificial immune systems
发现论文，激发创造
  • 确定性树突状细胞算法

    本文提出了一种 Dendritic Cell Algorithm 的确定性版本，用端口扫描数据集进行实验，发现时间窗口和细胞数量的变化有影响，引入了一种新的评估算法输出的度量方法，比原来的算法更敏感。

    Jun, 2010

  • 无监督学习动态成分分析的噪声数据中的时间结构

    介绍了一种基于 Dynamical Components Analysis（DCA）的线性降维方法，可以在高维的时间序列数据中提取出最大预测信息的子空间，能有效地提取出动态结构，保留了线性降维方法的计算效率和几何可解释性。

    May, 2019

  • 癌症药物敏感性预测的噪声过滤方法

    本文提出了一种噪声过滤算法，以在更好的质量的癌细胞系上训练机器学习算法，从而更有效地预测药物反应，实现癌症精准治疗。实验结果显示，该方法稳定且具有最高的 AUC。

    Dec, 2016

  • 通过对抗学习连续噪声损坏实现的强大半监督异常检测

    这篇论文探讨了如何应用对抗性训练和增加噪声的方法来解决自动编码器过拟合问题，从而提高异常检测的性能，并在多个数据集和实际场景中进行了验证。

    Mar, 2023

  • 大规模数据集的联想分类扩展

    介绍了一种分布式关联分类器 (DAC) 用于解决分类器难以处理大型数据集和大型域类别特征的问题，采用集成学习和先进的技巧以实现高可扩展性和高准确性，基于 Apache Spark 框架进行验证，证明 DAC 在分类预测品质和执行时间方面均优于最先进的解决方案。

    May, 2018

  • 用于噪声标签数据分类的半监督级联聚类

    本研究使用半监督级联聚类 (SSCC) 算法和新颖的聚类评估矩阵 (CEM)，以减少昂贵的人工标签评估，并提高在嘈杂标签集上的分类准确性。该算法通过生成级联分类树从而在工业环境中有效地推导萨来。

    May, 2022

  • GraphDCA - 实现真实和合成图中节点分布比较的框架

    本文提出 GraphDCA—— 基于节点表示集对图之间相似度评估的框架，使用 Delaunay 分量分析对集合进行比较。通过对不同结构的图示例和公开真实数据集的实验，显示 GraphDCA 成功捕捉到局部结构相似和不相似的图，并证明其胜于全局统计方法，应用到 NetGAN 和 CELL 这两个最新图生成模型的实验进一步表明有必要提高图生成模型对局部结构特征的再现。

    Feb, 2022

  • 基于密度聚类和质心分析的后门攻击普适检测

    该论文提出了一种基于聚类和中心点分析的通用防御策略，该策略可以检测深度神经网络模型是否受到后门攻击，并且不受攻击类型的限制。通过实验证明，该防御方法对各种类型的后门攻击都非常有效。

    Jan, 2023

  • 异常成分分析

    利用数据深度作为评分的一种新的统计工具，名为异常分量分析 (ACA)，用于探索性分析异常观测。ACA 不仅可以更好地区分异常群组，而且还能为异常提供可解释性的线性低维数据表示。在比较模拟和真实数据研究中，ACA 相对于现有文献中的方法在异常分析方面也表现出优势。

    Dec, 2023

  • 用 Delaunay 分量分析评估数据表征

    本文提出了一种基于 Delaunay 图的 Delaunay Component Analysis (DCA) 评估算法，它可靠地估计了数据流形，即使对于表示具有具有变化形状和密度的簇以及离群值的情况，这是现有方法常常失败的地方，同时还引入了用于评估个体新数据表示质量的框架，并在不同的单点评估框架中使用神经网络训练的表示进行了实验验证。

    Feb, 2022