Jul, 2022

运用自组织映射创建可解释性入侵检测系统

PDF
TL;DR本文介绍了一种基于自组织映射的可解释入侵检测系统（X-IDS），该系统可以产生全局和局部的可解释性可视化；该 X-IDS 在 NSL-KDD 和 CIC-IDS-2017 数据集上通过解释生成和传统精度测试进行了评估。
artificial intelligenceintrusion detection systemsexplainable artificial intelligenceself organizing mapsexplanatory visualizations
发现论文，激发创造
  • 可解释的入侵检测系统 (X-IDS)：当前方法、挑战和机会的调查

    应用人工智能和机器学习于网络安全已有广泛应用，特别是使用深度学习技术设计的 IDS. 然而，这些系统被视为黑盒模型，无法提供预测的合理解释。因此，需要设计可解释的 IDS，调查了可解释 AI 的现状，并提出了一种人们参与的通用架构，以用作设计 X-IDS 的指导

    Jul, 2022

  • 使用競爭學習技術的可解釋入侵檢測系統

    本论文旨在提出一种基于可解释性竞争学习的入侵检测系统框架，该框架使用诸如自组织映射、生长自组织映射和生长分层自组织映射等算法建模，并能通过数据挖掘生成统计和可视化的解释，较黑盒模型更具解释力和提高了预测速度。

    Mar, 2023

  • X-CBA: 解释能助力 CatBoosted Anomal-E 用于入侵检测系统

    使用深度学习和图神经网络构建的可解释入侵检测系统（IDS）提供了高精度的网络攻击和异常识别方案。该研究通过利用网络流数据，结合边属性，改进检测能力，适应新型威胁，并提供清晰可行的解释分析结果，以促进机器学习和深度学习技术在网络安全防御中的广泛应用。

    Feb, 2024

  • 可解释人工智能用于入侵检测模型的比较分析

    本研究通过使用遮挡敏感性方法，对二元和多类别分类的入侵检测任务中的各种机器学习模型进行了分析，使用相同的数据集。我们发现，大多数分类器仅利用少于三个关键特征就能实现高准确性，表明有效的特征工程对于入侵检测可能比应用复杂模型更为重要。我们还发现，在准确性、时间效率和鲁棒性方面，随机森林提供了最佳性能。

    Jun, 2024

  • 基于深度神经网络的入侵检测系统的可解释性的多元规则提取

    该研究论文探讨了黑盒算法和替代解释器在可解释入侵检测系统（X-IDS）中引发的信任问题。通过将教学法和分解法综合应用于课程，该文介绍了一种混合的规则提取算法，从隐藏层中提取出可信任的规则集，用于黑盒深度神经网络（DNN）的解释。评估结果表明，这种算法能够生成与 DNN 输出相似的规则集，具有 99.9% 的准确率，并在解释性和性能方面进行了全面分析，展示了规则提取速度和准确性之间的权衡。

    Jan, 2024

  • 基于子目标的不可靠智能决策支持系统解释

    本文研究了面向新手用户的非稳健智能决策支持系统的互动，介绍了一种新颖的基于子目标的解释类型，即补充传统智能决策支持系统输出的信息，以提高用户任务表现和系统的鲁棒性。研究表明，基于子目标的解释可实现更好的用户任务表现、提高用户区分优化和非优化智能决策支持推荐的能力、得到用户的喜爱，并在智能决策支持系统失灵的情况下实现更加鲁棒的用户表现。

    Jan, 2022

  • 一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

    本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

    Aug, 2018

  • 一种用于异常检测的可解释性 AI 的通用应用方法

    文章提供了一个基于可解释性和解释性方法的误差检测通用方法，并使用集成梯度方法来减少 Attribution Error。

    Jul, 2022

  • 基于可解释机器学习的医疗物联网系统的安全与隐私保护框架

    医学物联网能够革新医疗保健，通过实时健康数据收集帮助早期疾病检测和个性化护理，并借助机器学习进行异常检测，结合联邦学习和可解释的人工智能方法以保护用户隐私。

    Mar, 2024

  • SIDU: 解释性人工智能的相似性差异与独特性方法

    该论文提出了一种新的深度学习网络可视化解释方法 —— 显著性图，该方法能够有效地定位整个目标区域，与当前先进方法相比，该方法的视觉解释显示出更具有可信度和可信度，通过定量和定性的评估，验证了该方法的有效性。

    Jun, 2020