文献

J-GLOBAL ID：202202245405277717   整理番号：22A0108278

ネットワーク侵入検出のためのプロトタイプラベル埋込み上の教師付きコントラスト学習【JST・京大機械翻訳】

Supervised contrastive learning over prototype-label embeddings for network intrusion detection

著者 (5件)： Lopez-Martin Manuel (Dpto. TSyCeIT, ETSIT, University of Valladolid, Paseo de Belen 15, Valladolid 47011, Spain) ,  Sanchez-Esguevillas Antonio (Dpto. TSyCeIT, ETSIT, University of Valladolid, Paseo de Belen 15, Valladolid 47011, Spain) ,  Arribas Juan Ignacio (Dpto. TSyCeIT, ETSIT, University of Valladolid, Paseo de Belen 15, Valladolid 47011, Spain) ,  Arribas Juan Ignacio (Castilla-Leon Neuroscience Institute, University of Salamanca, Salamanca 37007, Spain) ,  Carro Belen (Dpto. TSyCeIT, ETSIT, University of Valladolid, Paseo de Belen 15, Valladolid 47011, Spain)
資料名： Information Fusion  (Information Fusion)
巻： 79  ページ： 200-228  発行年： 2022年 
JST資料番号： W3167A  ISSN： 1566-2535  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： コントラスト学習は,中間表現空間(埋込み空間)における距離を比較することにより,また,類似/類似サンプルに誘引/反発するように設計された損失関数を用いて,サンプル間の類似性を確立することを可能にする。距離比較は,サンプル特徴のみに基づいている。特徴として同じ埋込み空間におけるラベルを含む新しいコントラスト学習方式を提案し,この共有埋込み空間における特徴とラベル間の距離比較を行う。このアイデアに従って,サンプル特徴は,他のラベル(陰性ラベル)から離れて,そのグラウンドトルース(ポジティブ)ラベルに近くなければならない。このスキームは,コントラスト学習に基づく教師つき分類の実現を可能にする。各埋込みラベルは,そのまわりのラベル集合を共有するサンプル特徴で,埋込み空間におけるクラスプロトタイプの役割を仮定する。目的は,各プロトタイプとその同一クラスサンプル間の距離を最小にしながら,ラベルプロトタイプを分離することである。損失関数の新しいセットをこの目的により提案した。損失最小化は,埋込み空間におけるサンプル特徴とラベルの割り当てを駆動する。損失関数およびそれらの関連訓練および予測アーキテクチャを,ラベル分離のための異なる戦略とともに詳細に解析した。提案した方式はペアワイズ比較の数を劇的に減らし,モデル性能を改善した。ペアワイズ比較の数をさらに低減するために,この初期スキームを,ネガティブラベルのセットをその最良の単一代表で置き換えることにより拡張した:サンプル特徴に最も近い負のラベルまたはネガティブラベルのクラスタの重心のいずれか。このアイデアは,詳細に解析されるモデルの新しい部分集合を作成する。提案モデルの出力は,各サンプルとラベルプロトタイプ間の距離(埋込み空間)である。これらの距離を用いて,分類(最小距離ラベル),特徴次元縮小(元の特徴の代わりに距離と埋込みを使用)およびデータ可視化(2または3D埋込み)を遂行できる。提案モデルは一般的であるが,それらの応用と性能評価は,ネットワーク侵入検出に対してここで行われ,雑音と不均衡なラベルによって特性化され,様々なタイプの攻撃の挑戦的な分類である。侵入検出に適用したモデルの経験的結果を,2つのよく知られた侵入検出データセットに対して詳細に提示し,分類とクラスタ化性能評価メトリックの徹底的なセットを含めた。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *コントラスト ,  雑音 ,  *学習 ,  損失関数 ,  *ネットワーク ,  重心 ,  クラスタ化 ,  クラスタ ,  三次元 ,  次元縮小 ,  計算機アーキテクチャ ,  プロトタイプ
準シソーラス用語： ホップ数 ,  グランドトゥルース ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： ラベル埋込み ,  コントラスト学習 ,  最大マージン損失 ,  深層学習 ,  核融合の埋込み ,  ネットワーク侵入検出

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 侵入 ,  プロトタイプ ,  ラベル ,  埋込み ,  教師 ,  コントラスト ,  学習