- YOLO-FEDER FusionNet:一种用于无人机检测的新型深度学习架构
通过将通用目标检测算法与专门的伪装物体检测技术相结合,我们引入了一种名为 YOLO-FEDER FusionNet 的创新深度学习架构,提高了无人机检测能力,通过全面评估证明了该模型的高效性,并在减少漏检和误报方面取得了显著的改进。
- SLIFER: 研究恶意软件检测流程的性能和稳定性
本文提出了 SLIFER,一种新颖的 Windows 恶意软件检测管道,顺序地利用静态和动态分析,在一个模块触发警报时中断计算,仅在需要时进行动态分析。与现有技术相反,我们研究了如何处理对分析抵抗的样本,展示了它们对性能的影响,得出结论标记 - 漂移检测:引入高斯分割检测器
该研究提出了一种新型批处理漂移检测器(GSD),能在没有真实类别标签的情况下监测数据流中的漂移变化,并且在实验中对比了其他算法,证明了该检测器在检测真实漂移和忽略虚假漂移方面的出色性能。
- 从混沌到清晰:天文观测中的时间序列异常检测
提出了一种专门用于天文观测的无监督异常检测框架 AERO,该框架利用 Transformer 和图神经网络的结构,能够准确检测出天文观测中的异常,并较其他模型表现更好。
- 将顺序变化检测简化为顺序估计
通过使用置信序列,我们将时序变化检测简化为时序估计,并在所有活动置信序列的交集为空时宣布变化。我们证明了平均运行长度至少为 1/α,从而实现了具有最小结构假设但具有强有力保证的变化检测方案。
- 通过多任务学习实现可扩展的对抗攻击归因
本研究提出了一个名为 MTAA 的多任务学习框架,可以同时识别攻击算法、受害模型和超参数三个签名,并使用不确定性加权损失来调整权重,从而提高该框架对于误报的处理能力。
- 视频异常检测系统的对抗机器学习攻击
本研究针对视频异常检测系统,利用 Wi-Fi 攻击产生对抗数据进行对抗机器学习攻击,进而导致检测假警报并隐瞒物理异常。
- LuNet:用于网络入侵侦测的深度神经网络
在大规模网络中及时捕捉侵入是十分具有挑战性的,本论文针对网络数据的时空特征,提出了一种层级卷积神经网络 + 循环神经网络,名为 LuNet 的机器学习方法能够更加准确地检测网络入侵,而且假警报率更低。
- 带 PAC 保证的开放类别检测
本论文研究开放类别检测中的一种简单但实际相关的变体,提出了一个算法,它在最小化误报的同时,具有 PAC 风格的保证,可以保证超出限定阈值的远程样本被检测,为开放类别检测中的更多进一步研究提供了一个基准。
- 可视化物体检测特征
介绍了一种对物体探测器使用的特征空间进行可视化的算法,通过将视觉特征还原为多个自然图像来工作,并通过对高分假警报的特征进行可视化分析,探索了错误警报产生的原因并提出了矫正方法。