1d Convolutional Neural Network
PulseAugur coverage of 1d Convolutional Neural Network — every cluster mentioning 1d Convolutional Neural Network across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过联邦学习增强边缘计算网络安全
研究人员开发了一种新颖的信任感知联邦混合入侵检测框架（TA-FHIDF），以增强边缘计算环境中的网络安全。该框架结合了自动编码器、一维卷积神经网络（1D-CNN）和双向长短期记忆（BiLSTM）模型，用于自主特征提取。为了保护数据隐私和防止对抗性攻击，TA-FHIDF 利用联邦学习进行协作模型训练，并采用信任感知聚合机制，在全局模型集成前评估客户端的可靠性。在 UNSW-NB15 和 CICIDS2017 等基准数据集上的评估显示，检…
-
深度学习模型增强零信任网络中的异常检测
研究人员开发了两种深度学习模型：视觉Transformer（ViT）和一维卷积神经网络（1D-CNN），以增强零信任软件定义网络中的异常检测。这些模型分析微细分网络流量数据，与使用原始、未细分数据的模型相比，显示出更高的准确率和F1分数。ViT模型在识别细微的横向移动模式方面略有优势，这凸显了微细分对于零信任环境中入侵检测有效性的重要性。
-
CNN在基于ML的网络入侵检测中表现出卓越的鲁棒性
一项新的研究论文调查了用于网络入侵检测系统的机器学习模型在对抗性攻击下的鲁棒性。研究发现，虽然随机森林模型达到了很高的基线准确率，但在对抗性压力下它们会灾难性地失效。相比之下，卷积神经网络（CNN）表现出更强的韧性，即使在扰动水平不断增加的情况下也能保持高准确率，这表明CNN在对抗性环境中是更合适的选择。
-
嵌入微控制器的AI模型实现智能生物声学监测
研究人员开发了一种智能被动声学监测系统，该系统将分类器直接嵌入AudioMoth微控制器，以现场分析声景。该系统利用优化的1D卷积神经网络，以91%的准确率对濒危海鸟Scopoli Shearwater的特定叫声进行分类。该模型专为满足微控制器的资源限制而设计，需要约10kB的RAM，并实现20毫秒的推理时间，从而提高了生物声学监测的效率和可扩展性。