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。
機械学習ベース教師つき手法は,優れた性能を配送するために,高度にカスタマイズされ微調整された方法論を必要とする。本論文は,ネットワーク侵入データセットUNSW-NB15のための機械学習分類器のデータセット駆動設計と性能評価を提示した。データセットの解析は,それが特徴空間においてクラス表現不均衡とクラスオーバラップを被ることを示唆した。著者らは,Balanced Bagging(BB),eXtreme勾配ブースティング(XGBoost),およびHellinger距離決定木(RF-HDDT)によるランダムフォレストを用いたアンサンブル法を採用した。BBとXGBoostを不均衡データを処理するために調整し,ランダムフォレスト(RF)分類器をHellinger計量によって補足して不均衡問題に対処した。2つの新しいアルゴリズムを提案し,データセットにおけるクラスオーバラップ問題に対処した。これらの2つのアルゴリズムを利用して,大多数投票結合器を採用したアンサンブル分類器の一部として,3つのベース分類器によって作られた最終分類決定を修正することによって,試験データセットの性能を改善した。提案した設計を,バイナリとマルチカテゴリ分類の両方に対して評価した。提案モデルを文献の同じデータセットで報告したモデルと比較して,提案モデルは,二値および多重カテゴリ分類事例の両方に対して,他のものを他のものに凌駕することを実証した。【JST・京大機械翻訳】