论文
文章平均质量分 94
Saturn8523
很懒的庸人,但是还要study
展开
-
网络架构建模:一个云案例研究-文章翻译
互联网支持广泛服务的能力取决于网络架构以及未来网络所需的理论和实践创新。本文中的网络体系结构指的是计算机网络系统的结构及其物理组件、配置和通信协议之间的交互。多年来,人们对网络架构进行了各种各样的描述,其中有大量的表面图标和符号。这种情况产生了对网络体系结构更一致的系统表示的需求。本文旨在通过采用一种称为thinging(abstract)machine(TM)的概念模型来改进网络体系结构的设计、分析和文档编制,该模型将网络的所有组件视为一个单一的概念:TM中的事物流。原创 2024-05-02 17:20:24 · 1045 阅读 · 0 评论 -
情感图像内容分析:二十年回顾与新视角-文章翻译
International Affective Picture System国际情感图片系统(IAPS)[28]是一个视觉情感刺激的图像数据集,用于心理学中情感和注意力的实验研究[28]。该数据集包含1182幅具有不同内容或场景的纪实风格自然色图像,如肖像、婴儿、动物、风景等。约100名大学生参加了9分制的VAD评分。每个图像分数的平均值和标准差(STD)可以很容易地推导出来。IAPS的子集A(IAPSa)[29]是从IAPS中收集的,通过描述离散的情感类别来描述图像。原创 2024-04-10 12:22:45 · 1083 阅读 · 0 评论 -
A Study of Network Forensic Investgation in Docker Environments文章翻译
网络罪犯利用越来越多的技术(如虚拟机或基于容器的基础设施)进行恶意活动。这些虚拟环境的固有动态简化了恶意服务的快速创建,并隐藏了所涉及的系统,这是以前没有的技术。虚拟化的主要用途,尤其是容器,有助于软件开发人员和管理员创建新的应用程序、执行测试、调试他们的代码,并基于提供的容器映像安装预定义的服务。Docker作为最著名的容器技术,提供了大量现有的容器模板,为实现高度动态的环境铺平了道路。作为虚拟机,基于容器的环境大多是短暂的按需基础架构,可能被网络罪犯用来执行其恶意活动。原创 2024-04-09 14:36:45 · 880 阅读 · 0 评论 -
一种保护隐私的混合联邦学习方法-文章翻译
在本节中,我们将介绍我们的方法的构建块,并解释各种方法如何无法保护FL中的数据隐私。在本文中,我们提出了一种新的执行FL的方法,该方法将DP和SMC相结合,以提高模型的准确性,同时保留可证明的隐私保证,并防止提取攻击和共谋威胁。我们的方法可以应用于以联邦学习方式针对不同的信任场景训练不同的ML模型。通过遵守DP框架,我们能够从我们系统的任何模型输出推断以及向A或P提供的任何中间结果中保证整体隐私。SMC还保证在没有DP保护的情况下交换的任何消息不会泄露,因此不会泄露任何私人信息。原创 2024-04-08 14:06:34 · 1170 阅读 · 0 评论 -
一种有效的隐私保护联邦学习方法-文章翻译
联邦学习已成为协作学习和隐私保护学习的一种很有前途的方法。联合学习过程中的参和者通过交换模型参数而不是实际的训练数据(他们可能希望保持私有)来合作训练模型。然而,参数交互和生成的模型仍然可能会披露有关所用训练数据的信息。为了解决这些隐私问题,已经提出了几种基于差异隐私和安全多方计算(SMC)等的方法。它们通常会导致较大的通信开销和较慢的训练时间。在本文中,我们提出了一种基于函数加密的SMC协议的隐私保护联邦学习方法HbridAlpha。该协议简单、高效,对退出的参与者具有弹性。原创 2024-04-07 14:30:14 · 1463 阅读 · 0 评论 -
隐私保护和带宽有效的联邦学习:在医院死亡率预测中的应用-文章翻译
机器学习,特别是联邦机器学习,在医学研究和患者护理方面开辟了新的视角。尽管联邦机器学习在隐私方面比集中式机器学习有所改进,但它不提供可证明的隐私保证。此外,联邦机器学习在带宽消耗方面相当昂贵,因为它需要参与者节点定期交换大型更新。该文提出了一种带宽高效的隐私保护联邦学习,它提供了基于差异隐私的理论隐私保证。我们使用真实数据集(包含约一百万名患者的电子健康记录)对我们的住院死亡率预测方案进行了实验评估。我们的研究结果表明,强大且可证明的患者级隐私可以强制执行,但代价是预测准确性的中度损失。原创 2024-04-06 10:04:44 · 996 阅读 · 0 评论 -
An Efficient Approach for Cross-Silo Federated Learning to Rank文章翻译
传统的排名学习(LTR)模型通常采用基于大量数据的集中式方法进行训练。然而,随着人们数据隐私意识的提高,像以前一样从多个所有者收集数据变得更加困难,由此产生的数据隔离问题使得学习到的 LTR 模型的性能严重受损。受联邦学习最新进展的启发,我们提出了一个名为 cross-silo 联邦排名学习(CS-F-LTR)的新框架,其中效率问题成为主要瓶颈。为了应对这一挑战,我们首先设计了一种基于草图算法和差分隐私的 cross-party词频查询方案。原创 2024-04-05 10:16:24 · 867 阅读 · 0 评论 -
Real-Time Deep Learning-Based Anomaly Detection Approach for Multivariate Data Streams文章翻译
为了检测复杂系统中的异常行为,基于深度学习的 多元时间序列异常检测算法 近年来受到了广泛关注。虽然许多异常检测算法已被广泛提出,但还没有研究如何在流处理框架下对多元数据流执行这些检测算法。为了解决这个问题,我们提出了一种基于Apache Flink以及实时深度学习的多元数据流的异常检测方法。我们训练了一个LSTM encoder-decoder模型来重建一个多元输入序列,并开发了一种利用输入序列和重建序列之间的重建误差的检测算法。我们表明,我们的异常检测算法可以在真实数据集上提供良好的性能。原创 2024-04-04 13:28:53 · 740 阅读 · 1 评论