- 博客(3)
- 收藏
- 关注
RSS订阅翻译 大规模多局域网的分段联邦学习入侵检测
网络安全问题的传统方法通常在特定类型的攻击发生后保护用户免受攻击。此外，最近的网络攻击模式往往是多变的，这增加了它们的不可预测性。另一方面，机器学习作为一种新的入侵检测方法，正受到越来越多的关注。此外，通过共享本地培训数据，集中式学习方法已被证明可以提高模型的性能。本研究提出了一种分段联邦学习，不同于传统联邦学习模型中基于单个全局模型的协作学习，它保留了多个全局模型，允许每一段参与者单独进行协作学习，并动态地重新安排参与者的分段。此外，这些多个全局模型彼此交互以更新参数，从而适应于各种参与者的局域网。
2025-02-22 20:17:14
45
翻译 FINE-GRAINED ABNORMALITY PROMPT LEARNING FOR ZERO-SHOT ANOMALY DETECTION
目前的零样本异常检测 （ZSAD） 方法在促使大型预先训练的视觉语言模型在不使用任何特定于数据集的训练或演示的情况下检测目标数据集中的异常方面取得了显著的成功。然而，这些方法通常集中在制作/学习提示上，这些提示只捕捉异常的粗粒度语义，例如，地毯上的“损坏”、“不完美”或“有缺陷”等高级语义。因此，它们在识别具有独特视觉外观的各种异常细节方面的能力有限，例如，地毯上的色渍、割伤、孔洞和线等特定缺陷类型。
2025-02-22 20:14:06
59
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人