超级会员免费看
这篇博客探讨了GDN（Few-shot Network Anomaly Detection via Cross-network Meta-learning）方法，重点分析了abnormality valuator的作用和SGC模型的简化实现。文中提到，abnormality valuator通过设置SGC的输出特征数为1来实现，而SGC在预计算后只需一个线性层。此外，博客还介绍了数据加载、采样和划分的过程。
- 题目：Few-shot Network Anomaly Detection via Cross-network Meta-learning
- 源码：https://github.com/kaize0409/Meta-GDN_AnomalyDetection
- 时间：2021.02
- 链接：https://arxiv.org/pdf/2102.11165.pdf
- 论文阅读笔记：【论文分享】★★★ 小样本网络异常检测方法 GDN：Few-shot Network Anomaly Detection via Cross-network Meta-learning
一、关于 abnormality valuator
abnormality valuator 的作用是将嵌入映射为一个标量分数，在代码中没有作为一个单独的模块，而是在调用模型时out_feature设置为1来实现：model = SGC(target_feature.shape[1], 1).to(device)
def<
订阅专栏 解锁全文
扫一扫
6447
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
