Nov, 2023

零日威胁的特征选择自编码器叠加

PDF
TL;DR采用堆叠自编码器（SAE）和长短期记忆（LSTM）方案，通过特征选择和零日威胁分类，实现对零日攻击的检测和分类，结果表明 SAE-LSTM 模型具有较高的准确性、召回率和 F1 分数，能够有效识别各种类型的零日攻击。
zero-day attack detectionstacked autoencoderfeature selectionzero-day threat classificationlstm scheme
发现论文，激发创造
  • 使用堆叠自编码器进行特征选择的勒索软件检测

    提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。

    Feb, 2024

  • 一种新的堆叠自编码器：邻域样本包络嵌入的堆叠自编码器集成模型

    本文提出了一种新的堆叠自编码器模型 - 邻近信封嵌套堆叠自编码器集成模型（NE_ESAE），该模型使用邻近样本信封学习机制进行优化，采用多层迭代平均聚类方法生成具有层次结构信息的信封样本空间，然后在每个样本空间的层上进行嵌套自编码器（ESAE）的训练和特征减少与基分类器的分类，最终通过集成机制融合信封样本空间的每一层的分类结果，实验结果表明这种方法比传统的特征学习方法和代表性的深度自编码器有显着的性能优势。

    Oct, 2022

  • 基于重构的 LSTM 自编码器用于多变量时间序列数据的异常 DDoS 攻击检测

    本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。

    Apr, 2023

  • 自编码器的结构化

    本文提出了一种称为 Structuring AutoEncoders 的神经网络，其可以使用弱监督形成结构化的低维空间，从而更有效地表示并分类数据。在基准图像数据集 MNIST、Fashion-MNIST、DeepFashion2 以及 3D 人体形状数据集上进行的实验表明，结构潜空间可以为进一步的分类任务和分类数据的有效选择的操作提供更高效的表征。

    Aug, 2019

  • 通过门控稀疏自编码器改进字典学习

    通过引入 Gated Sparse Autoencoder，文章解决了稀疏自编码器中的估计偏差问题，实现了对语言模型激活的解释性特征的无监督发现。

    Apr, 2024

  • 使用 LSTM 模块和 KL 散度改进的 AutoEncoder

    本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器（IAE-LSTM-KL）模型，通过添加 LSTM 网络来记忆正常数据的特征表示，并通过 KL 散度对特征输入到 SVDD 模块进行惩罚，从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明，IAE-LSTM-KL 模型在异常检测方面具有更高的准确性，并且对数据集中的异常点污染也具有增强的鲁棒性。

    Apr, 2024

  • 使用稀疏自编码器解释注意力层输出

    稀疏自编码器被应用于解释训练好的 Transformer 模型的内部激活值，发现它们能够找到一种稀疏而可解释的分解表示，从而帮助研究人员更详细地解释模型行为，并深化对电路语义的理解。

    Jun, 2024

  • 使用监督自编码器的半监督分类在生物医学应用中的应用

    这篇文章介绍了一种新的半监督分类方法，该方法使用监督自编码器网络，将标签编码到自编码器的潜空间，并定义一个结合分类和重构损失的全局准则，用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。

    Aug, 2022

  • 零样本学习的语义自编码器

    该论文提出一种基于语义自编码器的零样本学习方法，在编码器 - 解码器框架下，通过对编码 - 解码的自重建能力进行优化，从而使得模型更加泛化并可以在无训练数据的情况下预测新的未知类别。

    Apr, 2017

  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022