Jan, 2024

CCNETS: 基于大脑启发的新型方法，用于增强不平衡数据集中的模式识别

PDF
TL;DRCCNETS 是一种基于生成模型的分类器，针对模式识别中不平衡数据集的数据生成挑战，通过模拟大脑信息处理的构造，有效地生成高质量数据集并提高分类性能。在应用于 “欺诈数据集” 时，CCNETS 表现出卓越的分类能力，通过 F1 分数达到 0.7992，优于传统模型如自编码器和多层感知机。CCNETS 在数据生成和模式识别方面具有巨大的潜力，并在机器学习中克服了当前数据集所面临的挑战，推动以脑启发方法的机器学习的进展。
发现论文，激发创造
  • CBGT-Net：面向流数据的鲁棒分类的神经构型

    这篇论文描述了 CBGT-Net，这是一个受到哺乳动物大脑中的皮层 - 基底节 - 丘脑（CBGT）回路启发的神经网络模型。与传统的神经网络模型不同，该模型在观察到的数据流中学习在达到足够证据标准后产生输出。我们通过两个图像分类任务对该模型进行评估，其中模型需要根据从图像中提取的一系列小块来预测图像类别。我们证明 CBGT-Net 相比于单个小块进行分类的模型和利用 LSTM 层进行分类的模型，具有更高的准确性和鲁棒性。

    Mar, 2024

  • 移动社交网络欺诈检测的成本敏感 GNN 基于的不平衡学习

    本篇论文提出了一种创新的 Csgnn 模型，通过组合成本敏感的学习和图神经网络，有效解决了移动网络欺诈检测中的图不平衡问题，并在两个开源数据集上验证模型性能优于现有算法，可用于其他领域的图数据平衡问题。

    Mar, 2023

  • CNTS：用于时间序列的合作网络

    本文提出一种称为合作网络时间序列 (CNTS) 的无监督异常检测方法，该方法利用深度学习技术实现时间序列数据的异常检测，通过 CNTS 检测器和重构器的协作优化模型，达到可靠性和高效性。

    Feb, 2023

  • 推动 DDoS 攻击检测：利用深度残差神经网络和合成过采样的协同方法

    通过利用深度残差神经网络（ResNets）和合成过采样技术，我们引入了一种增强的分布式拒绝服务（DDoS）攻击检测方法，用于有效和早期检测此类攻击，并平衡良性和恶意数据点的表示以更好地辨别攻击特征，实验证明我们的方法在真实数据集上达到了 99.98% 的准确度，显著优于传统方法，突显了将先进的数据增强技术与深度学习模型相结合以增强网络安全防御的潜力。

    Jan, 2024

  • CaT-GNN: 通过因果时序图神经网络提升信用卡欺诈检测

    本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法，该方法利用因果不变性学习揭示了交易数据中的内在相关性，并通过发现和干预阶段将问题分解，通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明，CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能，突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。

    Feb, 2024

  • CardioCaps：基于注意力的胶囊网络用于类别不平衡的心脏超声图分类

    通过使用动态路由神经胶囊网络（DR-CapsNets）和注意力机制，本论文提出了一种名为 CardioCaps 的新型 DR-CapsNet 架构，用于不平衡分类的超声心动图分类，该模型在面对类别不均衡的情况下具有较高的鲁棒性，同时胜过传统的机器学习方法和其他深度学习方法。

    Mar, 2024

  • 考虑数据不均衡的可解释的代价敏感深度神经网络用于脑 MRI 图像中的脑肿瘤检测

    这篇论文提出了使用卷积神经网络 (CNN)、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括 CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的 InceptionV3 模型的准确率为 99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近 4% 的成果。成本敏感的 InceptionV3 (CS-InceptionV3) 和 CNN (CS-CNN) 在不平衡数据集上分别显示出 92.31% 的准确率和 1.00 的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。

    Aug, 2023

  • 一种基于秀丽隐杆线虫启发的递归反馈网络架构的自动化新闻偏见分类器

    本文讨论了一种基于 Mesh Neural Network、Bernoulli 以及 genetic algorithm 的网络结构，能够更准确地对新闻文章进行政治偏见分类。

    Jul, 2022

  • 基于原型的分类：从层级到公平

    本文提出了一种新的神经网络结构 —— 概念子空间网络 (CSN)，能够将现有专门的分类器推广到产生一个统一模型，能够学习一系列的多概念关系。在实现概念独立性的情况下，我们证明了 CSN 在公平分类方面能够复现最先进的结果，可以被转变为分层分类器，甚至可以在单个分类器内调和公平性和层次性。

    May, 2022

  • 面向多标签分类的上下文感知胶囊网络

    我们提出了一种改进的胶囊网络架构，包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块，为多标签分类任务提供了更好的可扩展性。

    Oct, 2018