抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ネットワーク攻撃の増加によって,従来の機械学習方法は,効果的に大量の侵入データの分類問題を解明することができなかった。本論文では,元のデータの潜在的表現を学習するために,積層スパース自己符号化ネットワーク(SSAE-XGB)法に基づくXgブーストを提案した。訓練とテストデータセットの一貫したカテゴリ分布のために,著者らはモデルの一般化能力を強化するためにスパース性拘束を使用した。元のデータの深い特徴表現を得るために,高次元と非標識の元のデータの次元を減少させるために,積層スパース自動符号器ネットワークを採用した。侵入データのクラス不均衡により,本論文では,二値ツリーとアンサンブル法を用いて構築された新しいハイブリッド分類器を提案した。すべてのNSL-KDDデータセットによる著者らの実験は,著者らの提案したSSAE-XGB二値ツリーとアンサンブル法が,F1に関して増加的に高い性能を達成することができて,それが以前の研究より優れていることを実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】