.png){kind=icon}
返回
Generalized Zero-Shot Learning for Evolving Network Device Identification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15112320.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
泛在电力物联网（Ubiquitous Electric Internet of Things, UEIoT）的快速扩张已将大量异构设备引入智能电网，导致传统识别方法不再适用。新终端模型的持续涌现和固件频繁更新创造了动态环境，使得训练数据无法覆盖所有演变的设备类型。为弥合这一差距，我们提出HALO（分层属性引导学习与偏置校准），一种通用的零样本学习（GZSL）框架，专门针对物联网设备识别设计。首先，采用基于轻量级Transformer的NetFormer架构，通过捕捉精细粒度时序行为来提取判别特征，同时最小化计算开销。其次，开发加权条件变分自编码器（W-CVAE）为未见类别合成高质量伪样本。为确保语义保真度，W-CVAE引入多尺度最大均值差异（MMD）以防止模态崩溃，并采用属性-特征对比学习对齐语义与特征空间。最后，引入混合原型构造策略和自适应偏置校准机制，动态调整决策边界，有效缓解GZSL中固有的已知类别偏差。实验结果表明，HALO在多个评估指标上显著优于现有基线方法，验证了所提出框架的有效性与优越性。
Keyword:
network device identification
zero-shot learning (ZSL)
network traffic
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Zero-Shot Learning—A Comprehensive Evaluation of the Good, the Bad and the Ugly零拍学习 -- 综合评价好、坏、丑
OAAI
OAAI分享收藏分享收藏Network Traffic Classifier With Convolutional and Recurrent Neural Networks for Internet of Things基于卷积和递归神经网络的物联网网络流量分类器.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏An Empirical Study and Analysis of Generalized Zero-Shot Learning for Object Recognition in the Wild
PREAI
分享收藏
查看更多内容