.png){kind=icon}
返回
An improved interpolated deep SVDD autoencoder with implicit rack minimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s11042-026-21674-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，单类深度学习方法，特别是基于自动编码器的，已成为异常检测领域的主流方法。然而，高维、异构和非同质数据集影响了这些模型在许多应用中的性能。为解决这些问题，本文提出了一种改进的插值隐式秩最小化深度支持向量数据描述（IIRMDSVDD）自动编码器。所提出的模型专注于优化投影隐空间，以产生更有效的分离超球体，这将显著提高异常检测的精度和鲁棒性。IIRMDSVDD将两种主要机制整合到训练过程中以采用改进的网络架构。第一种机制实现了插值正则化器以改善隐空间。第二种机制通过引入连接编码器和解码器的隐式线性层，扩展了隐空间协方差矩阵最小化的概念。为展示所提出模型的有效性，进行了大量实验。实验在基准数据集和物联网（IoT）特定数据集上展开。在MNIST数据集上，所提出的IIRMDSVDD模型实现了98.8%的平均准确率，比次优方法DASVDD（97.7%）高出1.1%。在更复杂的CIFAR-10数据集上，IIRMDSVDD达到了74.6%的平均准确率，略优于次优方法OCETN（74.5%），高出0.1%。这些跨数据集的一致改进验证了IIRMDSVDD的有效性和鲁棒性，使其成为传统和现实场景下单类异常检测的新状态-of-the-art解决方案。
Keyword:
One-class classification
Deep learning
Deep support vector data description
Anomaly detection
期刊
IF:
3
论文数:
2.0W
被引数:
3.2W
机构
引用论文
Detecting anomalous packets in network transfers: investigations using PCA, autoencoder and isolation forest in TCP.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏A novel incremental one-class support vector machine based on low variance directionPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏TempoCode-IoT: temporal codebook-based encoding of flow features for intrusion detection in Internet of ThingsTempoCode-IoT：基于时序码本编码的流特征编码方法用于物联网入侵检测
IF0
PREAI
分享收藏A new distributed architecture for evaluating AI-based security systems at the edge: Network TON_IoT datasets用于评估边缘基于AI的安全系统的新分布式架构: Network TON_IoT数据集
PREAI
分享收藏The use of the area under the roc curve in the evaluation of machine learning algorithmsroc曲线下面积在机器学习算法评价中的应用PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容