Mar, 2023

利用元机器学习在商业网络中实现跨组织分析

PDF
TL;DR该篇论文提出了一种元机器学习方法，以应对业务网络中的数据共享问题，这一方法能够维护数据机密性，限制数据传输量，并展示出优于传统分析和接近理想共享情况的性能，因此可以有效地挖掘分散在网络中的数据潜力。
analyticsdata sourcesinter-organizationalmachine learningbusiness networks
发现论文，激发创造
  • 基于多任务元学习的数据高效脑连接组分析

    通过元学习技术，在跨数据集的情况下，训练大规模的大脑连通性图谱数据集，提出了基于元学习的数据高效训练策略，并通过图神经网络框架，包括变换式的跨数据集任务权重自适应等，得到了更高效和更稳定的性能，为了更好地研究疾病间和数据集间的相似性，提出了新的见解。

    Jun, 2022

  • 如何整合云服务、数据分析和机器学习技术以降低与现代云基础设施相关的网络风险

    本文研究了云技术、机器学习和数据可视化方法的结合，展示了如何整合云服务、数据分析和机器学习技术以便检测和减少与现代基于云的基础设施相关的网络安全风险。通过应用机器学习监督分类器设计了一个基于著名的 UNSW-NB15 数据集的模型，预测网络行为指标，并展示了如何整合数据分析技术以可视化网络流量。

    May, 2024

  • 元网络

    本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

    Mar, 2017

  • 网络机器学习：工作流程、进展和机会

    本文介绍了机器学习技术在网络领域的应用及其工作流程，并针对不同的网络设计目标分析了其具体实现和优势，旨在为研究人员提供广泛的研究方向及指南。

    Sep, 2017

  • OpenML：机器学习中的网络科学

    介绍了 OpenML，这是一个用于分享和组织详细数据以更有效地工作、更可见和与他人合作解决更困难问题的机器学习研究者的场所，探讨了 OpenML 与其他网络科学实例的关系以及对机器学习研究、科学家和学生从业者带来的好处。

    Jul, 2014

  • 分布式医疗数据库中的联邦学习：大规模亚皮质脑部数据的元分析

    提出了一种联邦学习框架，可以安全地访问和元分析任何医学数据，探究神经系统疾病的关系。该框架在合成数据和多中心和多数据库的研究中进行了测试，表明了在分布式分析多中心队列中的进一步应用的潜力。

    Oct, 2018

  • 深度学习在商业分析和运筹学中的模型、应用和管理启示

    本文综述了如何在商业分析中利用深度神经网络以提高预测表现，研究了来自创业项目的真实数据案例，并提供了一些关于定制化架构和使用深度学习的指导和实践建议。

    Jun, 2018

  • 智能网络管理：利用人工智能进行网络服务检测

    利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。

    Oct, 2023

  • 非无线和无线网络上的联邦和元学习：教程

    本文综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用，并分析了这些学习算法之间的关系以及它们在实际应用中的优缺点。

    Oct, 2022

  • 基于深度学习的网络系统解释

    本研究提出了 Metis 框架，改善了深度神经网络可解释性问题，通过决策树和超图等不同的解释方法，将 DNN 策略转换成易于理解的基于规则的控制器，并通过超图分析来突出重要组件。Metis 可帮助网络运营商设计、调试、部署和即时调整 DL 网络系统。

    Oct, 2019