Aug, 2023

用于确定车辆劫持推文的半监督异常检测

PDF
TL;DR本研究提出了一种新的半监督方法，利用推特数据和无监督异常检测算法识别车辆劫持事件，比较评估结果表明 Cluster Based Outlier Factor 方法在准确性和 F1-Score 上优于 K-Nearest Neighbour，因此 CBLOF 方法被选择作为更好的无监督方法，并计划在更大的数据集上使用监督学习方法进行比较和优化。
发现论文，激发创造
  • 一种基于 Twitter 的深度学习机制用于确定城市中的车辆劫持地点

    利用推特数据，使用卷积神经网络技术和点地图，实现了对南非开普敦市车辆劫持事件的准确识别和可视化。

    Aug, 2022

  • 基于 Twitter 数据的印度道路交通事件描述 —— 无监督学习方法

    本文利用无监督学习模型利用 Word-embeddings 计算语义相似性对推特进行有效分类来增强印度交通数据的动态监测和预测。

    Dec, 2021

  • 推文的受欢迎度动态

    本文介绍了一个 4 个月的项目，利用机器学习和深度学习技术自动识别推文受欢迎程度演化的模式。通过一个点到点距离的聚类算法来了解数据和问题的范围，再使用特征提取等技术分析以改进算法。虽然算法最终无法自动化此任务，但本次尝试提出了有关病毒式传播对社交网络的影响的复杂但必要的问题。

    Jan, 2023

  • 基于图形半监督学习和卷积神经网络的危机相关推文分类

    本文提出使用集成半监督学习方法来利用非标记数据，以更加快速和准确地对自然灾害等关键情况下所发布的社交媒体数据进行分类，从而更有效地提高救援响应效率。

    May, 2018

  • 水力条件监测系统异常检测中半监督学习的比较研究

    本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

    Jun, 2023

  • 利用嘈杂学习方法鉴定与流行病相关的推文

    本文利用嘈杂学习理论生成弱监督信号替代手动标注以产生带有嘈杂标签的数据集，通过在一个大流行病语料库上的评估，本研究证明在一个类别不平衡和多分类弱监督学习的环境下，模型的性能超过了 90%。

    Sep, 2022

  • 社交媒体辅助危机管理中有监督分类和无监督主题建模之间的桥梁

    采用 BERT 嵌入并进行微调可以适应新危机，发现新主题，并从受监督训练中保留相关类别，利用双向自注意力提取主题关键词。其在人工和自动评估中胜过传统主题模型。

    Mar, 2021

  • 车载 CAN 网络异常检测中监督学习与半监督学习的比较研究

    本文基于大规模 CAN 网络流量数据，提取了有价值的特征，并全面比较了全监督机器学习和半监督机器学习方法在 CAN 消息异常检测方面的性能，提出了一种基于深度自编码器的半监督学习方法应用于 CAN 消息异常检测。通过广泛的实验，本文证明全监督方法通常优于半监督方法，其中，基于 XGBoost 的模型在准确度、精确度和 ROC AUC 等方面表现最佳，超过了文献中报道的其他方法。

    Jul, 2022

  • 一种用于入侵检测的混合深度学习异常检测框架

    本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

    Dec, 2022

  • 对抗性环境下的网络安全异常检测

    本文旨在探讨在 IoBT 的环境下，通过成本效益较高的无监督学习和基于图的方法来检测入侵网络系统中的异常情况，同时采用集成方法进行监督学习的异常检测，研究结果表明，采用两级的监督堆叠集成方法能更好地识别出恶意活动。

    May, 2021