May, 2021

基于知识图谱的上下文感知安全监测机器学习

PDF
TL;DR讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。
machine learningintrusion detectionknowledge graphslink-predictionanomalous activity
发现论文，激发创造
  • 基于知识图谱嵌入模型的上下文依赖异常检测

    该研究利用上下文感知来提高机器学习模型的语义理解和上下文意识，提出了将依赖上下文的异常检测问题转化为链路预测问题的框架，并通过知识图谱嵌入模型实现系统，展示了该方法能够高度准确地检测出依赖上下文的异常。

    Mar, 2022

  • 学习网络入侵检测：一种数据驱动的方法

    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

  • 知识图谱的关系机器学习综述

    本文介绍了关系机器学习中如何统计建模大型知识图谱，以预测世界中新的事实，包括潜在特征模型和图中可观察模式互补的统计关系建模方法，以及与文本信息抽取相结合，自动构建知识图谱的实践。

    Mar, 2015

  • 利用知识图谱提供附加信息以提高推荐准确性的应用

    本研究采用知识图谱来优化推荐算法，提供更加个性化的推荐解决方案，并在实验中验证了其显著的性能优势，对于领域（如电影推荐）的个性化推荐具有参考价值。

    Jan, 2021

  • 基于知识图谱的自动驾驶方法综述

    本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。

    Sep, 2022

  • 基于能量的神经符号推理知识图谱模型

    本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

    Oct, 2021

  • 网络安全的图挖掘技术概述

    该研究综述了基于图挖掘的网络安全领域，包括网络安全任务的概述、典型的图挖掘技术、应用于网络安全的一般过程以及不同网络安全任务的各种解决方案。同时，这篇综述还收集了基于图的网络安全开放数据集和工具包，并对未来的研究进行了展望。

    Apr, 2023

  • 使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统：一项综合调查

    该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结，确认了 SVMs 分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

    Sep, 2022

  • 使用知识图谱计算基于规则的机器学习分类器解释

    使用知识图谱作为机器学习分类器解释操作的术语，并提出一种提取和表示黑匣子解释的新方法。

    Feb, 2022

  • 动态图上的机器学习：应用综述

    动态图学习具有重要意义，可以有效地模拟不同领域中实体之间错综复杂的相互关系，此研究论文回顾了动态图学习的较少探索的应用，并揭示了机器学习在动态图领域所面临的挑战及其潜力。

    Jan, 2024