多还是少的样本？比较加密流量分类中的迁移、对比和元学习

May, 2023

多还是少的样本？比较加密流量分类中的迁移、对比和元学习

Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification

Idio Guarino, Chao Wang, Alessandro Finamore, Antonio Pescape, Dario Rossi

TL;DR研究了在流量分类领域中，如何通过使用代表性更强的表示来减少对大规模标注数据集的依赖性，通过比较迁移学习、元学习和对比学习，发现对比学习是最佳方法，而元学习最差，树状机器学习模型对于小任务适用，而深度学习方法正在通过复用学习表示达到与树状模型相同的性能水平。同时，通过两个公共数据集的实验验证了大数据集可以获得更一般性的表示。

Abstract

The popularity of deep learning (DL), coupled with network traffic visibility reduction due to the increased adoption of HTTPS, QUIC and DNS-SEC, re-ignited interest towards traffic classification (TC). However,

traffic classification deep learning transfer learning contrastive learning meta learning

发现论文，激发创造

使用 Flowpic 输入表示对交通分类进行对比学习和数据增强

在过去的几年中，由于深度学习的兴起，交通分类（TC）引起了人们持续的兴趣。然而，绝大多数 TC 文献缺乏代码实现、跨数据集的性能评估以及与机器学习（ML）方法的参考比较。在这篇论文中，我们在多个数据集上再现了一个采用最近的 DL 方法的研究，并验证了数据增强策略在其他数据集上的有效性。

Sep, 2023

探究迁移学习和元学习的相对性能

该研究对两种不同方法进行了广泛调查研究，即迁移学习和元学习，以解决机器学习中有限数据的问题，并得出了在不同条件下两种方法的表现并评估了训练数据集大小对它们的影响。这项综合性探索为确定在任何情况下选择最适合的方法提供了见解。

Oct, 2023

在一个统一的少样本分类基准上比较迁移学习和元学习方法

本研究对元学习和迁移学习两种方法在小样本学习领域的应用进行了交叉研究，以 Meta-Dataset 和 Visual Task Adaptation Benchmark 两个基准测试集进行了测试，发现大规模的迁移学习方法表现最佳。

Apr, 2021

加密流量分类的深度学习：概述

介绍了一个基于深度学习的 Traffic Classification 框架，讨论了常见的深度学习方法及其在 Traffic Classification 任务中的应用，探讨并解决了深度学习方法中的开放性问题和挑战。

Oct, 2018

网络流量分析的通用多模式表示学习

网络流量分析是网络管理、故障排除和安全性的基础。本文提出了一种基于多模态自动编码器（MAE）的深度学习（DL）体系结构，用于解决不同的流量分析任务，其中包括流量分类（TC）任务。研究结果表明，MAE 体系结构在 TC 任务中能够与现有解决方案相媲美甚至更好，同时避免了繁琐的特征工程，从而简化了采用 DL 方法进行流量分析的过程。

May, 2024

一个训练实现两个任务的框架：使用监督对比学习的加密流量分类

在本文中，我们提出了一种名为对比学习增强时域融合编码器（CLE-TFE）的有效模型，通过使用监督对比学习增强数据包级别和流级别的表示，并对字节级流量图进行图数据增强，以捕捉字节之间的细粒度语义无关特性。我们还提出了跨级多任务学习，使用同一模型在一个训练中同时完成数据包级别和流级别的分类任务。进一步的实验表明，CLE-TFE 在两个任务上实现了最好的整体性能，而其计算开销（即浮点运算次数，FLOPs）仅为预训练模型（例如 ET-BERT）的 1/14。我们在此 https URL 上发布了代码。

Feb, 2024

通过难度任务实现元转移学习

本文提出了一种新颖的元转移学习（MTL）方法，通过学习每个任务的深度神经网络权重的缩放和移位函数来实现权重的转移，同时引入了硬任务元批处理方案作为有效的学习课程，对三个具有挑战性的基准数据集进行了少样本学习实验，并报告了五类少样本识别任务的最高性能，验证了 MTL 方法的有效性。

Oct, 2019

NeurIPS 2021 元学习挑战赛的得益：在少量样本学习图像分类任务中，直接微调 Backbone 胜过基于序列的元学习

本文介绍 MetaDL 比赛的设计，数据集，最佳实验结果以及 NeurIPS 2021 挑战赛的排名方法，旨在通过元学习方法解决深度神经网络所需要的大量数据和计算资源的问题，同时强调学习良好的表示对于有效的转移学习至关重要。

Jun, 2022

元转移学习用于少样本学习

本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

Dec, 2018

理解迁移学习和基于梯度的元学习技术

深度神经网络、元学习、微调、MAML 和数据分布

Oct, 2023