利用机器学习算法进行贝叶斯优化以实现异常检测
基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。
Dec, 2023
本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。
Jan, 2021
本文旨在探讨在 IoBT 的环境下，通过成本效益较高的无监督学习和基于图的方法来检测入侵网络系统中的异常情况，同时采用集成方法进行监督学习的异常检测，研究结果表明，采用两级的监督堆叠集成方法能更好地识别出恶意活动。
May, 2021
通过将贝叶斯神经网络与传统机器学习算法（如随机森林、梯度提升、支持向量机）协同集成的一种新方法，强调了特征集成在优化中的重要性，包括优化的二阶条件，如哈西矩阵的定态性和正定性。与此相反，超参数调整对于改善预期改进（EI (x)）的影响有所削弱。总体而言，集成方法作为一种稳健的、算法优化的方法表现出色。
Oct, 2023
贝叶斯分类器在网络入侵的异常检测中表现良好，但在现实世界的应用中，当每个特征完全独立于其他特征时并不总是成立。本研究旨在实现和比较贝叶斯分类器的每个变种（多项式、伯努利和高斯）在网络入侵异常检测中的性能，并探究每个变种假设与其性能之间是否存在关联。实验结果表明，伯努利分类器的测试准确率为 69.9%（训练准确率为 71%），多项式分类器的测试准确率为 31.2%（训练准确率为 31.2%），而高斯分类器的测试准确率为 81.69%（训练准确率为 82.84%）。进一步调查发现，每个朴素贝叶斯变种的性能和准确率主要取决于其分类器的假设，高斯分类器在异常检测中表现最佳，因为它假设特征服从连续的正态分布，而多项式分类器的性能非常差，因为它仅假设离散和多项分布。
Aug, 2023
利用可解释的人工智能（XAI）中的 kernelSHAP 方法检测和解释网络异常，以提高网络异常检测模型的准确率、召回率、精确率和 F 分数。
Jul, 2023
本文针对使用支持向量机（SVM）进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究，特别是研究了 SVM 对面向标签噪声攻击的安全性，并通过启发式方法解决了攻击策略的最优化问题，并在合成和实际数据集上进行了广泛的实验分析。最后，本文还指出，这种方法也可以为开发更安全的 SVM 学习算法以及半监督和主动学习等相关研究领域提供有用的见解。
Jun, 2022
本文通过使用集成机器学习方法以实现 IoT 的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。
Jul, 2023
本文讨论机器学习中的安全问题，侧重于人类活动而不是自然现象中的一些应用，例如信息排序、垃圾邮件检测和恶意软件检测。对于这种情况，训练算法必须处理旨在阻碍决策制定的操纵数据。本文通过分析在线重心异常检测方法的性能，评估了在对抗噪声条件下它的防御能力，并提供了理论边界和实际的保护机制。
Feb, 2010