文献

J-GLOBAL ID：201802227102754865   整理番号：18A1773786

MOLESTRA:実時間ビッグデータ解析のためのマルチタスク学習アプローチ【JST・京大機械翻訳】

MOLESTRA: A Multi-Task Learning Approach for Real-Time Big Data Analytics

著者 (3件)： Demertzis Konstantinos (School of Engineering, Democritus University of Thrace, Xanthi, Greece) ,  Iliadis Lazaros (School of Engineering, Democritus University of Thrace, Xanthi, Greece) ,  Anezakis Vardis-Dimitris (Department of Forestry and Management of the Environment and Natural Resources, Democritus University of Thrace, Orestiada, Greece)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： INISTA  ページ： 1-8  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 現代の重要なインフラストラクチャは,脆弱性,脅威,およびそれらを特徴付ける相互依存性の観点から,高度の複雑さによって特徴付けられる。ディジタル攻撃の可能性のある原因は同定するのが簡単ではないので,それらは複数のレベルに対するスカラー効果の発生を引き起こすと思われるが,それらの組合せは,非常に重要でない事故の連鎖に起因する可能性がある。同様に,それらのサブシステムの重要なインフラストラクチャと技術的特性に関連する技術のデジタル爆発は,不均一ソースからの膨大な量のデータの連続生産を必要とし,重要な分析と最適意思決定のための知的技術の採用を必要とする。多くのアプリケーション(例えば,ネットワークトラヒック監視)データは,時間とともに高周波数で受信される。したがって,すべての歴史的サンプルを保存することはできず,それらはリアルタイムで処理されるべきであり,古いサンプル(ワンパス制約)を再検討することはできないことを意味する。著者らは,これらのシステムの多くがサイバー攻撃ターゲットであるという事実と結合して,重要なインフラストラクチャを保護することの重要性を考慮しなければならない。しかし,それらは,一般化された操作上の問題に導くことができるように,それらのレイアウトから容易に切り離すことができない。本論文では,実時間および大規模データ解析のためのマルチタスク学習モデルを提案し,臨界インフラストラクチャのサイバー保護に向けた。より具体的には,「Kappa」アーキテクチャの標準化であるマルチオーバーラップLEarningストリーミング分析(MOLESTRA)を提案した。この目的は,タスクが重複して実行される大規模データ集合の解析である。これは,データフローの間の認知または学習関係の利用を確実にするために行われる。提案したアーキテクチャは,自己調整メモリ(k-NN SAM)を持つk-NN分類器を使用する。MOLESTRAは,長期記憶から短期を分離する明確で効果的な方法を提供する。この方法では,1つの記憶から他への知識の伝達とその逆の間の時間間隔を区別する。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】

シソーラス用語： 記憶装置 ,  意思決定 ,  *学習 ,  ネットワーク ,  標準化 ,  トラヒック監視 ,  応用プログラム ,  ディジタル方式 ,  インフラストラクチャー ,  スカラー ,  計算機アーキテクチャ ,  ストリーミング
準シソーラス用語： 脆弱性 ,  連続生産 ,  *ビッグデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 実時間 ,  ビッグデータ ,  解析 ,  マルチタスク学習