本文介绍一种利用多实例学习从计算机网络的 HTTP 流量中识别感染计算机的模型，相较于基于人工设计特征以及基于卷积神经网络自动学习特征的方法，在未见数据的情况下更加准确地识别感染计算机，并为安全研究人员提供有价值的反馈。我们相信这种模型框架的应用不仅限于安全领域。

Feb, 2020

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

提出了一种基于不确定性感知的交通预测框架，通过结合交通流理论和图神经网络的模型设计，在单次模型训练中能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明，从 2018 年到 2021 年，白天超过 80% 的交通数据可以被删除，而剩余 20% 的样本对于训练模型具有相同的预测能力，从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

Oct, 2023

本文介绍一种使用多任务神经网络架构进行索赔预测的技术解决方案，该模型能够使用只有部分受保护特征信息的数据进行训练，并且生成的价格不受间接歧视影响，且其性能在有部分缺失政策持有人信息的情况下具有明显的优势。

Jul, 2022

本文提出了一个新颖的入侵检测系统（IDS），结合了基于决策树和基于规则的概念的不同分类器方法，即 REP 树，JRip 算法和 Forest PA，并通过分析使用 CICIDS2017 数据集的 IDS 获得实验结果表明其在准确性，检测率，误报率和时间开销方面的优越性，相比于现有的最先进方案。

Dec, 2018

本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

May, 2022

本文提出了一种基于层次分类和数量相关的反向传播算法的树形深度神经网络（TSDNN），以解决不平衡数据学习的问题，并在实验中表明其优于现有方法，可用于实时检测和深度学习在网络安全中的普适性能力。

Feb, 2018

本文介绍了一种基于深度循环神经网络技术和 Apache Spark 框架，实现了对流量异常检测的网络安全解决方案，具有更高的检测率和更低的误报率，可以检测集体和上下文安全攻击。该方法合并了语言处理、上下文分析、分布式深度学习、大数据和流量分析的概念，并在 MAWI 数据集上进行实验，结果表明，该方法不仅优于签名 IDS 和传统异常 IDS，在点异常检测方面表现更好，并有望在未来进一步证明其可靠性。

Sep, 2022

该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

May, 2017

本文介绍了一种使用专业检测器和神经网络来识别威胁和恶意软件的方法，并且使用集成梯度方法来突出表现出威胁的特征行为模式，最后通过大规模数据的实验，探索了卷积神经网络、LSTMs 和变形金刚网络的有效性及无监督预训练技术在检测 njRAT 等恶意软件中的应用。

Jun, 2021