PulseAugur
中
实时 07:48:53
English(EN) Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection

新的潜在塑形框架增强了零样本异常检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的两阶段异常检测框架，称为潜在塑形（Latent Sculpting），旨在提高入侵检测系统对未知网络威胁的鲁棒性。该框架首先使用基于 Transformer 的编码器和二元潜在塑形损失在潜在空间中对良性网络流量进行聚类，将其与异常模式区分开来。随后，掩码自回归流（Masked Autoregressive Flow）模型在此结构化潜在空间中估计概率，以生成校准的异常分数。在 CIC-IDS-2017 基准数据集上的零样本评估中，该方法取得了 0.867 的 F1 分数和 0.913 的 AUROC，证明了其在检测隐蔽渗透和低流量拒绝服务攻击等困难的分布偏移方面的有效性。 AI

影响 该框架通过提高入侵检测系统对分布偏移的鲁棒性，为检测零日网络威胁提供了一种更稳定的方法。

排序理由 该集群包含一篇详细介绍新机器学习方法的学术论文。[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 →

新的潜在塑形框架增强了零样本异常检测能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Rajeeb Thapa Chhetri, Saurab Thapa, Avinash Kumar, Zhixiong Chen ·

    用于零样本泛化的潜在塑形：一种用于分布外异常检测的流形学习方法

    arXiv:2512.22179v3 Announce Type: replace Abstract: Detecting previously unseen attacks remains a major challenge for machine learning-based intrusion detection systems. Deep models trained on network traffic often achieve high accuracy on known attacks but fail under distributio…

相关话题