Mar, 2024

网络攻击检测中的可分离表示学习双自编码器模型

PDF
TL;DR表示学习对于包括网络攻击检测在内的许多问题的成功起到了关键作用。 大多数用于网络攻击检测的表示学习方法基于自动编码器（Auto-Encoder）模型的潜在向量。 为了解决这个问题，我们提出了一种新的模型，称为双自动编码器（Twin Auto-Encoder，TAE）。 TAE 确定性地将潜在表示转换为更可区分的表示，即分离表示，并在输出中重构该分离表示。我们广泛评估了 TAE 的有效性，并发现 TAE 在广泛的基准数据集上表现优于最先进的表示学习模型和著名的机器学习算法。 此外，TAE 在某些复杂和具有挑战性的攻击上也优于最先进的模型。 接下来，我们对 TAE 的各种特性进行了深入研究，以进一步证明其优越性。
representation learningcyberattack detectionauto-encodertwin auto-encoderreconstruction representation
发现论文，激发创造
  • AET vs. AED: 通过自编码变换而非数据进行无监督表示学习

    本文提出了一种新的无监督表示学习范式，通过自编码变换（AET）而非传统的自编码数据（AED）方法进行训练，使得神经网络可以在没有标注数据的情况下学习。实验结果表明，AET 范式可以实例化一大类变换，具有比现有的无监督方法更好的性能，特别是在 CIFAR-10、ImageNet 和 Places 数据集上表现更接近完全监督对照组的上限。

    Jan, 2019

  • 受限双变分自编码器用于物联网系统的入侵检测

    该研究文章提出了一种称为受限双变分自编码器（CTVAE）的新型深度神经网络 / 架构，可用于将入侵检测系统（IDS）的分类器提供更可分离 / 可区分和低维表示数据，相较于现行状态 - of-the-art 的神经网络，CTVAE 所需的内存 / 存储和计算能力更少，因此更适用于 IoT IDS 系统。通过与 11 个最流行的 IoT 僵尸网络数据集的广泛实验，表明 CTVAE 可以相对于现行的机器学习和表示学习方法，将攻击检测的准确度和 F 分数提高约 1％，同时攻击检测的运行时间低于 2E-6 秒，模型大小低于 1 MB。我们还进一步研究了 CTVAE 在潜在空间和重建表示中的各种特征，以证明与当前有名的方法相比，其有效性。

    Dec, 2023

  • 一种新的抵御联邦学习中毒攻击的方法：使用自编码器增强的 LayerCAM

    本文提出了一种新颖的防御策略 LayerCAM-AE 来对抗联邦学习中的模型污染攻击，通过整合 Layer Class Activation Mapping（LayerCAM）和自编码器（AE），显著增强了检测能力，实验结果表明 LayerCAM-AE 在联邦学习中提高了模型的检测率和准确性，超越了现有的防御模型 ResNet-50 和 REGNETY-800MF。

    Jun, 2024

  • 对抗性潜在自编码器

    本研究引入 Adversarial Latent Autoencoder (ALAE) 来解决 autoencoder 的生成能力及是否能够学习分离表示等问题。通过两种不同基于 MLP encoder 和 StyleGAN generator 的自编码器，我们证实了它具有可分离的属性，并且可以与生成器类型的结构相比较和超过其能力。

    Apr, 2020

  • 基于理论的重新思考自编码器在医学异常检测中的应用

    利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

    Mar, 2024

  • ARAE：对抗性训练的自编码器提高了新颖性检测

    本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。

    Mar, 2020

  • 多任务半监督对抗自编码器用于语音情感识别

    本文提出一种基于多任务学习的框架，通过利用大量的性别分类数据和说话人识别数据，结合采用对抗自编码器（AAE）进行半监督学习的方法，提高语音情感识别的性能，实现更高水平的情感识别表现。

    Jul, 2019

  • 一个用于电力分配网络中的网络攻击检测的无监督对抗自动编码器

    本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

    Mar, 2024

  • 对抗性正则化自编码器

    本文提出了一种基于 Wasserstein 自动编码器（WAE）的灵活方法，用于训练离散结构的深度潜变量模型，该方法扩展了 WAE 框架以对离散序列进行建模，并进一步探索了不同的先验知识以获得可控表示，最后展示了 WAE 中的潜变量可以进行文本风格转换。

    Jun, 2017

  • 对抗自编码器

    本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

    Nov, 2015