期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于稀疏优化的异常分布检测方法
被引量:
1
1
作者
陈启超
李宽
《桂林电子科技大学学报》
2023年第1期41-48,共8页
现代神经网络可能会对来自训练分布之外的输入产生高置信度的预测结果,对机器学习模型构成潜在威胁。检测异常分布的输入是在现实世界中安全部署模型的核心问题。基于能量模型的检测方法,直接利用模型提取的特征向量计算样本的能量分数...
现代神经网络可能会对来自训练分布之外的输入产生高置信度的预测结果,对机器学习模型构成潜在威胁。检测异常分布的输入是在现实世界中安全部署模型的核心问题。基于能量模型的检测方法,直接利用模型提取的特征向量计算样本的能量分数,而依赖并不重要的特征可能会影响检测的性能。为了解决该问题,提出了一种基于稀疏优化的损失函数。对已经预训练完成的分类模型进行微调,在学习过程中保持模型分类能力的同时,增加正常样本特征的稀疏程度,使得正常样本的能量分数降低,正常样本与异常样本之间的分数差异变大,从而提高检测效果。该方法并未引入异常的辅助数据集,避免了样本之间相关性的影响。在数据集CIFAR-10和CIFAR-100上的实验结果表明,该方法将检测6个异常数据集的平均FPR 95分别降低了15.02%和15.41%。
展开更多
关键词
神经网络
异常分布检测
能量分数
微调
稀疏优化
下载PDF
职称材料
5G电力虚拟专网中基于联邦对抗学习的分布式异常检测算法
被引量:
1
2
作者
吴维农
王定国
+3 位作者
刘钰然
邓雅文
祖雪莹
唐伦
《半导体光电》
CAS
北大核心
2023年第6期955-964,共10页
针对5G电力虚拟专网中高维、不均衡和分布式的数据特征,提出了一种基于联邦对抗学习的分布式异常检测算法。首先,鉴于生成对抗网络在获取高维复杂数据分布方面的优势,采用具有梯度惩罚的Wasserstien生成对抗网络(WGAN-GP)模型对网元中...
针对5G电力虚拟专网中高维、不均衡和分布式的数据特征,提出了一种基于联邦对抗学习的分布式异常检测算法。首先,鉴于生成对抗网络在获取高维复杂数据分布方面的优势,采用具有梯度惩罚的Wasserstien生成对抗网络(WGAN-GP)模型对网元中的多维运行数据进行分析和监控并获取其分布情况。其次,基于5G电力虚拟专网的管理架构,设计了一种基于联邦对抗学习的分布式异常检测框架,使分布式电力切片管理器能够协同训练全局异常检测模型,增强模型泛化能力。最后,通过数值仿真验证了基于联邦对抗学习的分布式异常检测算法的训练效率和检测性能。
展开更多
关键词
5G电力虚拟专网
电力网络切片
分布
式
异常
检测
联邦对抗学习
下载PDF
职称材料
k最近邻流序列算法对异常流检测的优化研究
被引量:
3
3
作者
刘云
王梓宇
《计算机工程与科学》
CSCD
北大核心
2021年第6期1060-1066,共7页
通过时空异常流检测技术可以发现城市交通数据中的异常交通特征。与时间序列中单个异常流检测采用的方法不同,提出了从流序列中检测异常流分布的k最近邻流序列算法(kNNFS)。算法首先为每个位置测定每个时间区间内的单个流观测值;随后计...
通过时空异常流检测技术可以发现城市交通数据中的异常交通特征。与时间序列中单个异常流检测采用的方法不同,提出了从流序列中检测异常流分布的k最近邻流序列算法(kNNFS)。算法首先为每个位置测定每个时间区间内的单个流观测值;随后计算单个流的观测频率来构建每个位置处每个时间区间的流分布概率库;最后由阈值判定使用KL散度计算的新的流分布概率与其k最近邻之间的距离是否为异常值,距离值小于阈值则更新入流分布概率库,否则为异常的流分布。仿真分析表明,对比DPMM算法和SETMADA算法,kNNFS算法在检测精度和算法运行时间方面均有优化提升。
展开更多
关键词
时空流序列
异常
流
分布
检测
k最近邻
KL散度
下载PDF
职称材料
题名
基于稀疏优化的异常分布检测方法
被引量:
1
1
作者
陈启超
李宽
机构
东莞理工学院网络空间安全学院
出处
《桂林电子科技大学学报》
2023年第1期41-48,共8页
基金
国家自然科学基金(61876038)。
文摘
现代神经网络可能会对来自训练分布之外的输入产生高置信度的预测结果,对机器学习模型构成潜在威胁。检测异常分布的输入是在现实世界中安全部署模型的核心问题。基于能量模型的检测方法,直接利用模型提取的特征向量计算样本的能量分数,而依赖并不重要的特征可能会影响检测的性能。为了解决该问题,提出了一种基于稀疏优化的损失函数。对已经预训练完成的分类模型进行微调,在学习过程中保持模型分类能力的同时,增加正常样本特征的稀疏程度,使得正常样本的能量分数降低,正常样本与异常样本之间的分数差异变大,从而提高检测效果。该方法并未引入异常的辅助数据集,避免了样本之间相关性的影响。在数据集CIFAR-10和CIFAR-100上的实验结果表明,该方法将检测6个异常数据集的平均FPR 95分别降低了15.02%和15.41%。
关键词
神经网络
异常分布检测
能量分数
微调
稀疏优化
Keywords
neural network
out-of-distribution detection
energy score
fine-tuning
sparsity regularization
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
5G电力虚拟专网中基于联邦对抗学习的分布式异常检测算法
被引量:
1
2
作者
吴维农
王定国
刘钰然
邓雅文
祖雪莹
唐伦
机构
国网重庆市电力公司信息通信分公司
重庆邮电大学通信与信息工程学院
出处
《半导体光电》
CAS
北大核心
2023年第6期955-964,共10页
基金
国家自然科学基金项目(62071078)
国家电网有限公司科技项目(2023渝电科技6#)。
文摘
针对5G电力虚拟专网中高维、不均衡和分布式的数据特征,提出了一种基于联邦对抗学习的分布式异常检测算法。首先,鉴于生成对抗网络在获取高维复杂数据分布方面的优势,采用具有梯度惩罚的Wasserstien生成对抗网络(WGAN-GP)模型对网元中的多维运行数据进行分析和监控并获取其分布情况。其次,基于5G电力虚拟专网的管理架构,设计了一种基于联邦对抗学习的分布式异常检测框架,使分布式电力切片管理器能够协同训练全局异常检测模型,增强模型泛化能力。最后,通过数值仿真验证了基于联邦对抗学习的分布式异常检测算法的训练效率和检测性能。
关键词
5G电力虚拟专网
电力网络切片
分布
式
异常
检测
联邦对抗学习
Keywords
5G power virtual private network
power network slices
distributed anomaly detection
federated adversarial learning
分类号
TM711 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
k最近邻流序列算法对异常流检测的优化研究
被引量:
3
3
作者
刘云
王梓宇
机构
昆明理工大学信息工程与自动化学院
出处
《计算机工程与科学》
CSCD
北大核心
2021年第6期1060-1066,共7页
基金
国家自然科学基金(61761025)。
文摘
通过时空异常流检测技术可以发现城市交通数据中的异常交通特征。与时间序列中单个异常流检测采用的方法不同,提出了从流序列中检测异常流分布的k最近邻流序列算法(kNNFS)。算法首先为每个位置测定每个时间区间内的单个流观测值;随后计算单个流的观测频率来构建每个位置处每个时间区间的流分布概率库;最后由阈值判定使用KL散度计算的新的流分布概率与其k最近邻之间的距离是否为异常值,距离值小于阈值则更新入流分布概率库,否则为异常的流分布。仿真分析表明,对比DPMM算法和SETMADA算法,kNNFS算法在检测精度和算法运行时间方面均有优化提升。
关键词
时空流序列
异常
流
分布
检测
k最近邻
KL散度
Keywords
spatio-temporal flow sequence
anomalous flow distribution detection
k-nearest neighbor
KL divergence
分类号
TP311.13 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于稀疏优化的异常分布检测方法
陈启超
李宽
《桂林电子科技大学学报》
2023
1
下载PDF
职称材料
2
5G电力虚拟专网中基于联邦对抗学习的分布式异常检测算法
吴维农
王定国
刘钰然
邓雅文
祖雪莹
唐伦
《半导体光电》
CAS
北大核心
2023
1
下载PDF
职称材料
3
k最近邻流序列算法对异常流检测的优化研究
刘云
王梓宇
《计算机工程与科学》
CSCD
北大核心
2021
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部