机器学习之异常检测
文章平均质量分 58
发布关于AD的外文阅读感想
砸吧砸吧哇咔
2020考研失败的菜鸟来CSDN记录自己的成长历程!!!
展开
-
GAN训练目标函数的理解
Gan 训练目标minGmaxDV(D,G)=Ex∼pdatalog[D(x)]+Ex∼pzlog[1−D(G(x))]\min_G \max_DV(D,G)= E_{x\sim p_{data}}{ \log[D(x)]+E_{x\sim p_{z}} \log[1-D(G(x))]}GminDmaxV(D,G)=Ex∼pdatalog[D(x)]+Ex∼pzlog[1−D(G(x))]该公式最大化鉴别器D和最小化生成器G,PdataP_{data}Pdata是样本中采样的真实图原创 2021-03-03 21:36:37 · 1092 阅读 · 1 评论 -
A Deep One-class Model for Network Anomaly Detection
A Deep One-class Model for Network Anomaly Detection摘要: 对于传统的网络异常检测,检测性能与所选择的特征和用于训练的数据集有关。传统的检测方法是人工挑选特征,同时收集用于训练的数据集多数是不平衡的,导致模型对于大多数的数据会做出错误判断。本文提出一种基于层叠式自动编码器的检测模型。首先用这个模型从原始采集到的数据中选择主要特征,随后利用一个单分类算法SVDD去训练一个分类器来判断网络流量是否为异常。简介: 主要有两种网络保护机制:【1】翻译 2020-08-29 20:37:52 · 353 阅读 · 0 评论 -
Deep End-to-End One-Class Classifier
Deep End-to-End One-Class Classifier摘要 由于目标类样本的高度多样性以及异常样本(非目标)概念上没有任何监督信号。在一般情况下设计分类器来区分正常样本和异常样本极具有挑战性,本文提出了一种对抗性训练的方法,在一个端到端可训练的深度模块中来检测外分布样本。我们联合训练两个深度神经网络R(重构)和D(鉴别),在训练过程中,R通过创建对抗性样本来帮助D描述目标类的概率分布。在测试阶段,R联合D完成新奇检测。提出的OCC方法首先在MNIST和Caltech-256两种图像翻译 2020-08-29 11:49:37 · 631 阅读 · 2 评论