通过使用灰盒预测,可以使用能够适应数据的统计特性和现象的灰盒模型来预测网络攻击率,同时使用极端值理论和时间序列理论,可以更好地分析长期趋势和短期趋势,并提出未来的研究方向。
Mar, 2016
该论文介绍了超越最坏情况分析的建模方法,以及对线性规划,聚类,在线缓存和神经网络训练等计算问题提供帮助的输入优化技术。
Jun, 2018
本研究探索多种统计技术结合 LSTM 深度学习模型用于交通网络中的异常检测。我们使用三种基于统计的模型和数值研究,研究表明 EVT 检测方法强于其它检测方法,且不需要预测误差服从 特定的概率分布。
Sep, 2019
研究历史上暴力冲突的统计图片,使用极值理论处理数据不完整和不可靠的问题,通过定义无边界对偶分布来计算战争伤亡真实的平均值,发现传统的暴力下降趋势论不成立。
May, 2015
本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布,以解决传统极大似然估计方法在大规模数据集上的计算瓶颈,并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。
May, 2023
本文提出了一种新的估计极值尾的方法 - CTE,相比于传统方法更为鲁棒,适用于带有大量变异的样本,同时通过实验研究证明了过度拟合与损失分布尾厚度之间的关系。
Jun, 2023
研究预测机器学习模型训练时间的问题,评估 Full Parameter Time Complexity 方法在 Logistic Regression 和 Random Forest 分类器中的表现,并指出其主要优势和弱点,发现训练时间的预测与数据集环境相关,并且 FPTC 方法不具有普适性。
Sep, 2023
提出了一种新的分类器 —— 极值机(EVM),它从统计学中的极值理论(EVT)派生出,能够进行变量带宽的非线性无核增量学习,对比同样在 ImageNet 数据集上的其他分类器,EVM 展现了高准确率和高效率。
Jun, 2015
本文旨在研究最优化方法的平均情况分析,表明特定问题的演化行为与其特征值在谱分布边缘处的分布有关,该文也提出了一种广义切比雪夫方法,在特定前提下渐近优化,特别是,在平均情况下表现良好。
Jun, 2022
本文利用场景法计算未知 PETC 系统产生的平均样本间隔时间(AIST)的可能近似正确(PAC)界限,通过有限数量的样本将场景法扩展到多类支持向量机算法,以构建具体的未知状态空间和样本间隔时间之间的 PAC 映射,利用 $l$-complete 关系构建交通模型,并找到该数据所在下图中的最小和最大平均权值的循环:这些提供 AIST 的下限和上限,数值基准测试显示该方法的实用性,该方法与基于模型的最先进工具进行比较。
Mar, 2022