Scalable 3D Semantic Segmentation for Gun Detection in CT Scans
TU Darmstadt(达姆施塔特工业大学)
随着3D数据可用性的增加,对处理这些数据的解决方案的需求也迅速增加。然而,向已经可靠准确的2D方法添加维度导致巨大的存储器消耗和更高的计算复杂性。这些问题导致当前硬件达到其极限,大多数方法被迫大幅降低输入分辨率。我们的主要贡献是一种新的深度3D语义分割方法,用于行李CT扫描中的枪支检测,该方法能够快速训练和低视频内存消耗,以实现高分辨率体素化体积。我们介绍了一种移动金字塔的方法,利用多个正向通过在推理时间分割的实例。
2021-12-07 cs.CV cs.LG eess.IV
Improved Anomaly Detection through Conditional Latent Space VAE Ensembles
Lund University(隆德大学)
提出条件潜在空间变分自编码器(CL-VAE),通过为每个类别拟合独特先验分布并集成潜在空间,显著提升了异常检测准确率,在 MNIST 上 AUC 达 97.4%。
2024-10-16 cs.CV cs.LG math.PR
Untargeted Poisoning Attack Detection in Federated Learning via Behavior Attestation
Ryerson University(瑞尔森大学);Universidad Nacional Autónoma de México(墨西哥国立自治大学)
联邦学习(FL)是机器学习(ML)中的一种范式,它通过使用分布式节点训练全局模型来解决数据隐私、安全性、访问权和对异构信息的访问问题。尽管具有优势,但对基于FL的ML技术进行网络攻击的可能性越来越大,这可能会破坏其优势。对FL的模型中毒攻击以模型的可用性为目标。敌对的目标是破坏训练。我们提出了attestedFL,一种防御机制,通过状态持久性来监控单个节点的训练,以检测恶意工作者。对工人历史的细粒度评估允许及时评估其行为,并导致创新的检测策略。我们提出了三条防线,旨在通过观察节点是否真的在训练,朝着目标前进来评估工人是否可靠。我们的防御暴露了攻击者的恶意行为,并从聚合过程中删除了不可靠的节点,使FL过程收敛得更快。通过广泛的评估和各种对抗性设置,attestedFL在不同场景下将模型的准确性提高了12%至58%,例如在不同收敛阶段进行的攻击,攻击者勾结和连续攻击。
2022-01-16 cs.AI cs.CR cs.LG
Machine Learning based Anomaly Detection for 5G Networks
Macquarie University(麦考瑞大学)
保护未来的网络将是一个具有挑战性的领域,因为物联网(IoT)造成的网络安全威胁和攻击面不断扩大,网络异构性增加,虚拟化技术和分布式架构的使用增加。本文提出了SDS(软件定义安全)作为一种手段,提供一个自动化,灵活和可扩展的网络防御系统。SDS将利用当前机器学习的进步,设计一个使用NAS(神经架构搜索)的CNN(卷积神经网络)来检测异常网络流量。SDS可以应用于入侵检测系统,为5G网络创建更主动和端到端的防御。为了测试这一假设,从一个模拟的环境中正常和异常的网络流量已经收集和分析与CNN。该方法的结果是有希望的,因为该模型已经识别出良性流量的准确率为100%,异常流量的检测率为96.4%。这证明了网络流量分析对各种常见恶意攻击的有效性,也为检测加密的恶意网络流量提供了一种可行的选择。
2020-03-07 cs.CR cs.LG stat.ML
Detection of Increased Time Intervals of Anti-Vaccine Tweets for COVID-19 Vaccine with BERT Model
对抗COVID-19最有效的解决方案是开发各种疫苗。对疫苗的不信任会阻碍这种疗法的快速有效使用。表达社会思想的手段之一是社交媒体。确定社交媒体上反疫苗接种增加的时间间隔可以帮助机构确定用于打击反疫苗接种的策略。记录和跟踪每一条人工输入的推文将是低效的,因此需要各种自动化解决方案。在本研究中,使用了双向编码器表示Transformers(BERT)模型,这是一种基于深度学习的自然语言处理(NLP)模型。在一个1506条推文的数据集中,分为四个不同的类别:新闻,无关,反疫苗和疫苗支持者,该模型以5e-6的学习率训练了25个时期。为了确定反疫苗推文集中的时间间隔,通过使用训练模型确定了652840条推文所属的类别。可视化所确定类别随时间的变化,并确定可能导致变化的事件。作为模型训练的结果,在测试数据集中,f-得分为0.81,不同类别的AUC值分别为0.99,0.91,0.92,0.92。在这个模型中,与文献中的研究不同,设计了一个辅助系统,通过测量和可视化一段时间内反疫苗推文的频率,提供机构在确定其策略时可以使用的数据,不同于检测和审查此类推文。
2022-01-12 cs.CL cs.LG
DESED-FL and URBAN-FL: Federated Learning Datasets for Sound Event Detection
Fraunhofer Institute for Digital Media Technology(弗劳恩霍夫数字媒体技术研究所)
近年来,环境背景下的声音事件检测(SED)研究受到越来越多的关注。所需的大量(私人)家庭或城市音频数据引起了重大的后勤和隐私问题。这些任务固有的分布式性质使联邦学习(FL)成为一种很有前途的方法,可以利用大规模数据,同时减轻隐私问题。虽然最近外语也受到了越来越多的关注,但据我们所知,还没有针对外语用于SED的研究。为了解决这一差距,并促进在这一领域的进一步研究,我们创建并发布了新的FL数据集,用于国内和城市环境中的SED。此外,我们提供了三个深度神经网络架构的FL上下文中的数据集的基线结果。结果表明,FL是一种很有前途的SED方法,但面临着分布式客户端边缘设备固有的不同数据分布的挑战。
2021-05-31 cs.DC cs.LG cs.SD
Improving Robustness on Seasonality-Heavy Multivariate Time Series Anomaly Detection
North Carolina State University(北卡罗来纳州立大学);Intuit AI(Intuit 人工智能)
时间序列数据的鲁棒异常检测(AD)是监控许多复杂现代系统的关键组成部分。这些系统通常会生成高维时间序列,这些时间序列可能是高噪声的,季节性的和相互关联的。本文探讨了这些数据中的一些挑战,并提出了一种新的方法,该方法可以提高季节性和污染数据的鲁棒性,同时提供更好的异常根本原因识别。特别是,我们提出使用鲁棒季节性多变量生成对抗网络(RSM-GAN),该网络通过采用卷积LSTM层和注意力机制来扩展GAN的最新进展,以在各种设置上产生出色的性能。我们进行了大量的实验,在这些实验中,该模型不仅在复杂的季节性模式上显示出更强大的行为,而且还显示出对训练数据污染的抵抗力。我们将其与现有的经典和深度学习AD模型进行了比较,结果表明,该架构具有最低的误报率,并在真实世界和合成数据中分别将精度提高了30%和16%。
2020-07-25 cs.LG stat.ML
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University(韦仕敦大学)
对互联网的依赖增加以及相应的连接需求激增导致物联网(IoT)设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加,因为潜在的攻击面越来越多,最近的报告显示,物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次,增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此,需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习(ML)已经成为一种潜在的解决方案,因为物联网设备和网络生成了大量的数据。因此,它们有很大的潜力被用于物联网环境的入侵检测。为此,本文提出了一种优化的基于ML的框架,该框架由贝叶斯优化高斯过程(BO-GP)算法和决策树(DT)分类模型的组合组成,以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明,该优化框架具有较高的检测准确率、查准率、查全率和F-score,突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
A training regime to learn unified representations from complementary breast imaging modalities
Anonymous Org(匿名机构)
针对DBT临床应用受限、DBT-FFDM联合采集增加检查负担的问题,提出利用两种模态互补诊断信号学习高层表征的机器学习方法,实验表明该表征的乳腺病变检测精度优于单模态模型。
2024-08-16 cs.CV cs.LG
Effect of Balancing Data Using Synthetic Data on the Performance of Machine Learning Classifiers for Intrusion Detection in Computer Networks
University of Kentucky(肯塔基大学)
近年来,针对计算机网络的攻击显著增加,部分原因是发动此类攻击的复杂工具的可用性以及支持这种攻击的蓬勃发展的地下网络犯罪经济。在过去的几年中,学术界和工业界的研究人员使用机器学习(ML)技术来设计和实现针对计算机网络的入侵检测系统(IDS)。这些研究人员中的许多人使用各种组织收集的数据集来训练ML模型以预测入侵。在这些系统中使用的许多数据集中,数据是不平衡的(即,并非所有类都具有相等数量的样本)。对于不平衡的数据,使用ML算法开发的预测模型可能会产生不令人满意的分类器,这将影响预测入侵的准确性。传统上,研究人员使用过采样和欠采样来平衡数据集中的数据,以克服这个问题。在这项工作中,除了过采样,我们还使用了一种合成数据生成方法,称为条件生成对抗网络(CTGAN),以平衡数据并研究它们对各种ML分类器的影响。据我们所知,还没有人使用CTGAN来生成合成样本来平衡入侵检测数据集。基于使用广泛使用的数据集NSL-KDD进行的大量实验,我们发现,与在不平衡数据上训练相同的ML模型相比,在与CTGAN生成的合成样本平衡的数据集上训练ML模型将预测准确度提高了$8\%$。我们的实验还表明,与在不平衡数据上训练的相同ML模型相比,在随机过采样平衡数据上训练的一些ML模型的准确性下降。
2022-04-01 cs.LG
Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad(阿拉哈巴德大学)
在当今的数字世界中,社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具(如Twitter,Facebook,YouTube等)。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中,我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中,我们使用了线性支持向量分类器方法,也使用了词频逆文档频率(TF-IDF)方法来处理推文的文本数据。此外,我们增加了模型的能力,以解决一些用户发布的讽刺性推文,这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
An RL-Based Adaptive Detection Strategy to Secure Cyber-Physical Systems
Dept. of Computer Science and Engineering(计算机科学与工程系);Indian Institute of Technology(印度理工学院)
本文提出基于强化学习的自适应检测策略,通过学习攻击场景经验来优化检测器参数,以提高检测率并减少误报,同时保持控制性能。
2021-03-04 cs.CR cs.LG
Investigating the Suitability of Concept Drift Detection for Detecting Leakages in Water Distribution Networks
Bielefeld University(比勒费尔德大学)
本研究探讨了基于模型损失和分布的漂移检测方法在供水管网泄漏检测中的适用性,并提出了应对时间依赖性的方案及一种基于漂移检测的泄漏定位技术。
2024-01-03 cs.LG
Unsupervised Pathology Detection: A Deep Dive Into the State of the Art
TU Munich(慕尼黑工业大学);Klinikum rechts der Isar(伊萨尔河右岸医院);Imperial College London(帝国理工学院);Helmholtz Zentrum München(慕尼黑亥姆霍兹中心)
本文在多个医学数据集上评估了多种前沿的无监督异常检测方法,发现新开发的特征建模方法结合自监督预训练在脑部MRI等任务中确立了新的SOTA。
2023-07-29 cs.CV cs.LG
Browser Extension for Fake URL Detection
Government College of Engineering Nagpur(那格浦尔政府工程学院)
本文提出了一款集成恶意 URL 检测、垃圾邮件检测和网络日志分析的浏览器扩展,其中钓鱼网站分类采用 LGBM 模型,垃圾邮件检测采用 Multinomial NB 模型,并取得了较高的准确率与精确率,验证了机器学习在网络安全中的有效性。
2024-11-16 cs.CE cs.CR cs.CY