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。
トラフィック分類,すなわちネットワークで流れるアプリケーションのタイプの同定は,多数の活動(例えば,侵入検出,ルーティング)のための戦略的タスクである。このタスクは,現在の深層学習アプローチが取り組まれていないいくつかの重大な課題に直面している。現行の手法の設計は,ネットワーク化ハードウェア(例えばルータ)が,限られた計算資源でしばしば実行されるという事実を考慮していない。さらに,それらは,調節体によって強調された忠実説明性の必要性を満たさない。最後に,これらのトラヒック分類器を,実世界設定におけるアプリケーションの多様性を反映することができない小さなデータセット上で評価した。したがって,本論文では,新しい残留ブロック(軽量および効率目的のための)およびプロトタイプ層(説明可能性)に依存するインターネットトラヒック分類のための,新しい軽量,効率的およびeXplainable by-design convolutionalニューラルネットワーク(LEXNet)を紹介した。市販グレードデータセットに基づいて,著者らの評価は,LEXNetが,以前に述べた付加的特徴を提供しながら,最良性能の最先端ニューラルネットワークと同じ精度を維持することを示した。さらに,著者らは,検出アプリケーションプロトタイプのエンドユーザへの通信から生じる著者らのアプローチの説明可能性特徴を説明し,事後手法との比較を通してLEXNet説明の忠実性を強調した。【JST・京大機械翻訳】