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。
サイバースペースにおける異常マルチメディアトラフィックの同定は,分散サービスシステム,複数世代ネットワーク,および将来のインターネットにおける大きな課題である。本レターは,異常マルチメディアトラフィック同定の性能を改良するために,グレーネットにおける多者プライバシー学習モデルのためのメタ一般化を調査した。グレーネットにおけるマルチパーティプライバシー学習モデルは,プライベートデータを保存することによってマルチパーティパラメータ更新を交換することによって分割,分散,訓練されたグローバルに共有されたモデルである。メタ一般化は,その一般化誤差を減らすために学習モデルの固有の属性の発見に言及する。実験では,3つのメタ一般化原理を次のように試験した。グレーネットにおけるマルチパーティプライバシー学習モデルの一般化誤差は,バイトレベル埋込みの次元を変えることによって減少した。その後,パケットレベル特徴を抽出するための深さを適応することにより,誤差を低減した。最後に,前処理トラフィックレベルデータのためのサポート集合のサイズを調整することによって,誤差を低減した。実験結果は,提案が異常マルチメディアトラフィックを同定するための最先端の学習モデルより優れていることを証明した。【JST・京大機械翻訳】