LSTM与GAN创新结合！模型性能起飞，准确率超98%

最新推荐文章于 2025-02-08 17:42:00 发布

深度之眼

最新推荐文章于 2025-02-08 17:42:00 发布

阅读量3k

点赞数 10

分类专栏：人工智能干货深度学习干货文章标签： lstm 生成对抗网络人工智能 GAN

本文链接：https://blog.csdn.net/weixin_42645636/article/details/138918614

版权

今天来聊一个深度学习领域非常具有创新性的研究方向：LSTM结合GAN。

LSTM擅长处理和记忆长期的时间依赖关系，而GAN可以学习复杂的数据分布并生成逼真的数据样本。通过充分结合两者的优势，我们可以增强模型对复杂数据的处理能力，提高模型在时间序列分析和预测任务中的性能和鲁棒性。

目前，LSTM结合GAN已经在一些领域展现出了优越的成果，比如一种用于提高现代恶意软件检测的准确性和速度的深度学习模型，它结合了LSTM和GAN，在恶意软件检测中达到了98.82%的准确率。

鉴于上述优势，LSTM结合GAN已经被广泛应用于多种场景，如金融市场分析、药物发现等领域。本文整理了9种LSTM结合GAN的创新方案，并简单提炼了可参考的方法以及创新点，希望能给各位的论文添砖加瓦。

论文原文需要的同学看文末

Leveraging LSTM and GAN for Modern Malware Detection

方法：论文利用深度学习模型、LSTM网络和生成对抗网络(GANs)来提高恶意软件检测的准确性和速度，通过研究VirusShare数据集中的恶意软件样本，进行数据准备、模型训练和评估，最终实现98%的准确率，为网络测量分析领域的

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

深度之眼

关注关注

10
点赞
踩
32

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

用LSTM实现文本生成和生成对抗网络(GAN)

AI天才研究院

07-18

3332

作者：禅与计算机程序设计艺术近年来，深度学习在各种各样的领域都取得了巨大的成功。自从计算机在图像处理、自然语言处理、生物信息等领域获得突破性进展之后，深度学习也逐渐应用于其他领域，例如，在音频、视频、推荐系统、金融领域，也取得了惊人的成果。其中，生成模型（Generative model）最具代表性，通过学习数据分布或特征，可以创造新的

lstm不收敛_时空序列预测模型GAN+LSTM

weixin_39799290的博客

11-22

1616

一、AddressICC 2019的一篇paper，为清华团队所写思路很有趣，也很容易想到，就是用比较火的GAN加上LSTMSatellite Image Prediction Relying on GAN and LSTM Neural Networks二、Introduction and Model2.1 主要创新点2.2 主要任务本质上是时空序列预测问题，利用的是卫星云图主要是过去...

参与评论您还未登录，请先登录后发表或查看评论

【时空序列预测第七篇】Satellite Image Prediction Relying on GAN and LSTM Neural Networks

AI蜗牛车

03-06

9648

Address ICC 2019的一篇paper，为清华团队所写思路很有趣，也很容易想到，就是用比较火的GAN加上LSTM Satellite Image Prediction Relying on GAN and LSTM Neural Networks 一、创新点和主要工作 1.1 主要创新点 1.2 主要任务本质上是时空序列预测问题，利用的是卫星云图主要是过去的序列预测未来的一...

LSTM又火了！Nature正刊都在用！47种创新思路全面汇总！

最新发布

2401_82426425的博客

02-08

775

光是Nature和CVPR等就有多篇。比如性能飙升的LTNN、准确率近100％的ATBTS……主要在于，LSTM能够有效解决梯度消失和梯度爆炸问题，且具有记忆功能，能保存长期的上下文信息，从而使模型能更好地理解和预测未来趋势，提高性能！值得一提的是，近来更是涌现了不少发论文的新机会！首先是其原创作者亲自下场，提出了xLSTM和Visioi-LSTM改进模型，克服了其缺乏并行能力、存储容量有限等局限，性能远超Transformer！再加上Mamba和KAN等新技术的助力。

使用LSTM-GAN为歌词谱曲

deephub

12-02

4975

在本文中，我将首先介绍基于AI的音乐生成的最新发展，然后介绍我创建的系统并讨论其组成，包括Yi Yu等人的“Lyrics-to-Melody” AI模型等。。 [6]和Google的Music Transformer模型[7]。然后，我将演示一个示例，该示例从(Robert Frost)的诗歌中生成歌曲，并介绍其他生成的歌曲的集合。背景在过去的五个月中，我一直在研究如何将人工智能（AI）和机器学习（ML）用于创新活动。尽管最先进的人工智能模型可以生成优秀的图片和文字，但到目前为止，人工智能模型在作

LSTM与GAN的协同效应！推动深度学习模型准确度至98%以上！

AIzhijie001的博客

12-02

1600

LSTM+GAN是一种深度学习领域的创新研究方向。这种结合利用了LSTM在处理长期时间依赖关系方面的优势和GAN在生成复杂数据分布和逼真数据样本方面的能力，从而增强了模型对复杂数据的处理能力，并提高了在时间序列分析和预测任务中的性能和鲁棒性。条件LSTM-GAN模型：提出了一种新颖的深度生成模型，即条件长短期记忆-生成对抗网络（LSTM-GAN），用于从歌词生成旋律。联合训练策略：将LSTM预测器的训练过程集成到GAN架构中，确保LSTM预测器模型学习原始和人工生成的数据，以捕捉退化轨迹。

长短期记忆网络（LSTM）和生成对抗网络（GAN）

Mdaying的博客

03-26

1982

该模型能够学习正常交易数据的分布，并生成新的样本来提高判别器的识别能力，从而提高异常检测的准确性。生成器：首先使用全连接层将输入的随机噪声映射到更高维度，然后通过批量归一化和激活函数进行处理，最后通过另一个全连接层生成模拟的交易数据。训练过程：在每个训练批次中，首先训练判别器区分真实数据和生成数据，然后固定判别器的参数，训练生成器欺骗判别器。判别器：使用LSTM层和全连接层构建，输入为交易数据，输出为数据是否正常的概率。生成器：使用全连接层和批量归一化层构建，输入为随机噪声，输出为生成的交易数据。

GAN 、LSTM与GRU

qq_60272314的博客

10-21

2532

在阅读论文Multi-Level Sequence GAN for Group Activity Recognition时候，发现其使用的是LSTM+GAN，特此，对GAN与LSTM进行了解。生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的

基于RNN_LSTM_GAN混合预测（Python代码实现）

weixin_46039719的博客

03-26

2491

GAN-LSTM模型将GAN的生成器附加在LSTM网络的输出层之后，从而建立了LSTM提取的高级时空特征与未来剩余油饱和度场图像之间的映射，通过GAN的生成能力来完成高维饱和度场图像的预测生成，该模型的基本结构如图3所示。LSTM模型能够有效地提取时间序列数据的高级时空特征，对于剩余油预测问题，这些特征能够隐式反映油藏饱和度场的变化趋势和速率，从而能够帮助我们进行未来的剩余油饱和度场预测，但是由于LSTM本身结构的限制，其在高维度输出预测的情况下难以训练。部分理论来源于网络，如有侵权请联系删除。

旋律生成学习日记（二）歌词生成旋律LSTM+GAN

m0_56127259的博客

04-19

1481

直接输入单词，千万别用中文，不然会报错，我自己试了下跑了下效果，和我自己跑的LSTM比起来，效果强了很多，能明显感觉到旋律的变化，但是离我想象中的效果还差了很多，跟AI生成图像的效果比起来，AI生成音乐着实有些拉跨了。代码实在太长了我就不贴了，反正自己下，代码基本没有啥问题，自己改的时候也是因为实在是懒得换tensorflow的版本，下次我还是找找torch的吧。以歌词作为输入，我们的目标是预测一个与歌词顺序对齐的旋律，其中MIDI数字、音符持续时间和休息时间时长与歌词合成，生成歌曲。

LSTM_GAN修改.ipynb

04-17

利用生成对抗网络对股票进行预测

LSTM和GAN结合模型的恶意软件检测

qq_25177949的博客

06-03

1115

这是文献翻译

GAN-overview reading note（4）LSTMs解读

专业技能学习笔记本

04-15

341

文章目录前情回顾前情回顾没想到自己已经坚持写到第四篇了，附上之前三篇的链接： GAN-overview reading note（1）基础概念 GAN-overview reading note（2）Least Squares-GAN GAN-overview reading note（3）Wasserstein GAN ...

【论文笔记】GENPass：使用RCFG+LSTM和对抗生成网络猜解密码。

M2kar的专栏

03-13

1788

密码已成为当今社交网络中主要的身份验证方法。尽管诸如HashCat和John Ripper之类的强力攻击方法不切实际，但随后的研究转向了密码猜测。最先进的方法，例如马尔可夫模型和概率上下文无关文法（PCFG），都基于统计概率。这些方法的匹配率低。事实证明，与传统方法相比，神经网络方法在密码猜测方面更为准确和实用。但是，原始神经网络模型不适合进行跨站点攻击，因为每个数据集都有其自身的功能。本文提出了一种用于密码猜测的通用深度学习模型，称为GENPass。 GENPass可以从多个数据集中学习特征，并通过对抗生

牛了，LSTM+Transformer王炸结合创新，荣登Nature，精度高达95.65%

06-25

2160

模型处理序列数据的能力以及LSTM在捕捉时间序列依赖性方面的优势。- 高准确率：在IEEE-14总线系统上进行的测试显示，XTM模型在检测FDI攻击及其位置方面，相比文献中提到的其他深度学习方法，展现出了更高的性能。- 在IEEE-14总线系统中，考虑了电力系统的时序特性，使用小时和分钟级的传感器数据来训练和评估所提出的模型，实现了接近100%的检测准确率。- 数据集和攻击向量的公开：论文提供了详细的数据集和攻击向量描述，并将它们公开在GitHub上，促进了研究社区的进一步研究和模型验证。

LSTM之父再称ResNet、GAN等五大网络都有他的功劳！网友却说：自负大于引用数

阿木寺的博客

09-11

519

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达丰色发自凹非寺转载自：量子位（QbitAI）“现在引用最多的几个神经网络都是建立在我的实验室成果之上的！”能说出此话...

结合创新！LSTM+GAN再突破，准确率近乎100％！

2401_82426425的博客

01-10

471

不仅如此，在其他各期刊会议上，成果也颇丰，像是在入侵检测任务中准确率高达99.87％的IDS-FHECC……如此炸裂的结果，主要得益于两者结合，优势互补！LSTM擅长序列数据处理，GAN能生成高质量的数据样本。通过结合，GAN生成的新数据，便能助力LSTM更好地学习数据的潜在规律，从而提高模型在处理复杂数据、时间序列分析和预测任务中的性能和鲁棒性。更特别的是，该思路，把新旧技术相融合，让老树开新花。在一味追捧新技术，审稿人审美疲劳的当下，俨然一股清流，相对不卷！

[神经网络与深度学习]RNN，GRU，LSTM，GAN，Transformer

weixin_56809732的博客

04-28

936

生成器 G的输入为隐空间的随机数据，它的作用是生成类似于真实样本的数据。例如某一个词元的影响至关重要，加入GRU可以在不给该词元指定一个非常大的梯度的情况下存储重要的信息。Transformer是由编码器和解码器组成的，编码器和解码器是基于自注意力的模块叠加而成的。编码器是由多个相同的层叠加而成的，每个层都有两个子层，包括多头自注意力汇聚和基于位置的前馈网络。如图所示为LSTM中包含的输入门，遗忘门和输出门，他们都通过sigmoid激活函数处理，所以这三个门的值都在（0,1）之间。

GAN合集：各种生成对抗网络，都在这里了

刀刀鱼

11-13

7492

GAN介绍 - 介绍 https://blog.csdn.net/sean2100/article/details/83662975 GAN介绍 - 为什么学习生成式模型? https://blog.csdn.net/sean2100/article/details/83681043 GAN介绍 - 生成式模型是如何工作的? GAN与其他模型有什么区别？https://blog.csdn.net/...