基于入侵警报的攻击图提取器 SAGE
本文提出了一种新的基于高斯核的梯度隐私攻击方法 SAPAG,它能够构建出不同 Deep Neural Networks 带不同权重初始化的、处于任意训练阶段的数据集,从而解决了现有模型易被攻击的问题。
Sep, 2020
基于语言指令,我们提出了 SAGE 框架,它能够通过语义解释和实际操作的部分之间的联系实现通用的关节物体操作,通过语言指令、视觉输入和互动反馈实现对关节物体的多样化操作。
Dec, 2023
该研究提出了一种基于对抗生成的异常检测方法(AGAD),该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据,解决了异常数据获取困难的问题,显著提高了半监督和有限监督情况下的检测准确率。
Apr, 2023
实现并评估了一种基于强化学习的自动化网络防御代理程序,该代理以安全警报作为输入并使用强化学习学习执行预定义的防御措施的策略,使用攻击图模拟网络攻击的环境中,被攻击者执行保护任务。该方法通过使用不同大小的攻击图、攻击者攻击策略和不同的检测系统噪声来进行评估。实验表明,通过强化学习训练的防御代理程序的性能优于使用启发式策略的代理程序,并能够概括不同的攻击者策略。
Apr, 2023
通过提出 EG-ConMix 方法,本文解决了 IoT 网络攻击事件监测的复杂性、数据不平衡问题,并展示了其在入侵检测性能方面相对于其他方法的显著优势。
Mar, 2024
我们介绍了一种新颖的异步图生成器(AGG),它是一种多通道时间序列的图神经网络体系结构,通过将观测值建模为动态图上的节点,并通过传导节点生成来执行数据插补。AGG 在节点中直接使用可学习的嵌入表示测量值、时间戳和元数据,然后利用注意力来学习感兴趣的变量之间的表达关系,从而隐含地学习传感器测量值的因果图表示。该模型在北京空气质量、PhysioNet 2012 挑战和 UCI 本地化的基准数据集上,在时间序列数据插补、分类和预测方面取得了最先进的结果。
Sep, 2023
研究如何通过建立有向无环图的分类系统来减少测试时间的获取成本,将问题建模为经验风险最小化,通过减少全局目标实现动态编程,从而提高计算效率和性能。
Oct, 2015
MAGIC 是一种新颖灵活的自我监督 APT 检测方法,能够在不同级别的监督下执行多颗粒度检测,通过掩码图表示学习对良性系统实体和行为进行建模,在溯源图上进行高效深度特征提取和结构抽象,通过异常检测方法检测异常系统行为,从而实现系统实体级别和批量日志级 APT 检测,解决了概念漂移问题,并成功应用于广泛的条件和检测场景。在三个广泛使用的数据集上对 MAGIC 进行评估,包括真实世界和模拟攻击。评估结果表明,MAGIC 在所有场景中都取得了有希望的检测结果,并在性能开销上比现有的 APT 检测方法具有巨大优势。
Oct, 2023
我们介绍了 SAGE,这是一个用于在全球电子商务目录中推断产品属性值的生成型 LLM。我们引入了一种新颖的属性值预测问题的公式化,作为一个跨语言、产品类型和目标属性的 Seq2Seq 总结任务。我们的新颖建模方法消除了在预测属性值时必须从预定选择集合中进行选择的限制,以及必须在文本中明确提及所需属性值的要求。SAGE 甚至可以推断那些用迂回语言含蓄提及或根本未提及的属性值,例如普遍常识默认值。此外,SAGE 可以预测某个属性在手头产品中是否不适用或无法从可用信息中获得。SAGE 是首个能够应对电子商务目录中实际设置中出现的属性 - 值预测任务的方法。一系列综合实验证明了所提方法的效果以及其对现有最先进方法的优越性。此外,我们的实验突出了 SAGE 在零样本情境中预测属性值的能力,从而为大幅减少所需的标记示例总数提供了机会。
Sep, 2023
本文提出 SAGE(Semantically valid Adversarial GEnerator),一种用于 TableQA 白盒攻击的 Wasserstein 序列到序列模型,结合最小风险训练、SIMILE 和实体去词化,在保留原问题含义的情况下,利用 Gumbel-Softmax 来融合敌对损失进行端到端训练,证明了 SAGE 在语义合理性和流畅度上优于现有的本地攻击模型,同时取得了良好的攻击成功率,并且演示了使用 SAGE 增强数据的对抗训练可以提高 TableQA 系统的性能和鲁棒性。
May, 2020