PulseAugur
中
实时 08:23:23
English(EN) Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection

新的 HLSF 框架使用机器学习融合增强网络异常检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为混合潜在结构融合 (HLSF) 的新框架，以改进网络异常检测。该方法结合了两种强大的无监督机器学习技术：用于结构异常分数的 CANDECOMP-PARAFAC 交替泊松回归 (CP-APR) 和用于潜在空间密度分数的归一化流。在洛斯阿拉莫斯国家实验室 (LANL) 泄露的用户凭证数据集上进行的实验表明，HLSF 的性能优于单独使用 CP-APR 或归一化流。 AI

影响 这项研究可能带来更强大的网络安全系统，能够识别复杂的威胁。

排序理由 该集群描述了一篇关于用于异常检测的新型机器学习框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 HLSF 框架使用机器学习融合增强网络异常检测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Dorianis M. Perez, Maksim E. Eren, Bryan E. Kaiser ·

    用于网络异常检测的混合潜在结构融合 (HLSF)

    arXiv:2607.18479v1 Announce Type: new Abstract: Malicious anomalous activity detection is a fundamental challenge for cyber security systems. Both tensor decomposition under statistical framework with CANDECOMP-PARAFAC alternating Poisson regression (CP-APR) and normalizing flows…

相关实体

相关话题