针对多模态推荐算法的数据稀疏性问题,以及现有的自监督学习(SSL)算法往往集中在对数据集中单一特征的SSL上,而忽视了多特征联合学习的可能性的问题,提出一种基于联合SSL的多模态融合推荐算法SFELMMR(SelF supErvised Learning for Mult...针对多模态推荐算法的数据稀疏性问题,以及现有的自监督学习(SSL)算法往往集中在对数据集中单一特征的SSL上,而忽视了多特征联合学习的可能性的问题,提出一种基于联合SSL的多模态融合推荐算法SFELMMR(SelF supErvised Learning for MultiModal Recommendation)。首先,整合并优化现有的SSL策略,以通过联合学习不同模态的数据特征,显著增强数据的表示能力,从而缓解数据稀疏性的问题;其次,通过融合全局视角下的深层次项目关系和局部视角下的直接相互作用,设计一种构造多模态潜在语义图的方法,使算法能更精准地捕捉项目间的复杂联系;最后,在3个数据集上进行实验。结果表明,与现有算法中表现最佳的多模态推荐算法相比,所提算法在多个推荐性能指标上取得了显著提升。具体地,所提算法的Recall@10分别提升了5.49%、2.56%、2.99%,NDCG@10分别提升了1.17%、1.98%、3.52%,Precision@10分别提升了4.69%、2.74%、1.22%,Map@10分别提升了0.81%、1.59%、3.11%。此外,通过对所提算法进行消融实验,验证了该算法的有效性。展开更多
针对监督学习方法采集攻击样本困难以及无监督学习方法检测精度不足的问题,提出一种融合自监督学习与主动学习的域名系统(domain name system,DNS)隧道检测方法。该方法采用异常检测框架,无需获取攻击样本,同时,通过自监督学习引入训练...针对监督学习方法采集攻击样本困难以及无监督学习方法检测精度不足的问题,提出一种融合自监督学习与主动学习的域名系统(domain name system,DNS)隧道检测方法。该方法采用异常检测框架,无需获取攻击样本,同时,通过自监督学习引入训练指导过程,通过主动学习引入反馈调节过程,显著提升了检测精度。构建基于Transformer架构的自编码器,通过对正常样本特征进行自监督学习,实现了DNS数据包级别的异常检测。以此为基础,将主动学习方法应用于反馈引导的孤立森林(feedback-guided isolated forest,FBIF),实现了DNS交互流级别的异常检测,将检出的异常流视为与隧道攻击活动相关。实验结果表明,该检测方法在无需获取攻击样本的前提下,能准确检测出多种类型的隧道攻击,且在资源消耗方面具备高可扩展性。展开更多
文摘针对监督学习方法采集攻击样本困难以及无监督学习方法检测精度不足的问题,提出一种融合自监督学习与主动学习的域名系统(domain name system,DNS)隧道检测方法。该方法采用异常检测框架,无需获取攻击样本,同时,通过自监督学习引入训练指导过程,通过主动学习引入反馈调节过程,显著提升了检测精度。构建基于Transformer架构的自编码器,通过对正常样本特征进行自监督学习,实现了DNS数据包级别的异常检测。以此为基础,将主动学习方法应用于反馈引导的孤立森林(feedback-guided isolated forest,FBIF),实现了DNS交互流级别的异常检测,将检出的异常流视为与隧道攻击活动相关。实验结果表明,该检测方法在无需获取攻击样本的前提下,能准确检测出多种类型的隧道攻击,且在资源消耗方面具备高可扩展性。
