卒業研究(武藤) の履歴(No.3)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 卒業研究(武藤) へ行く。
  • 1 (2021-02-11 (木) 20:45:14)
  • 2 (2021-06-25 (金) 22:42:38)
  • 3 (2021-06-29 (火) 20:00:00)
  • 4 (2021-09-14 (火) 03:29:12)
  • 5 (2021-12-30 (木) 13:48:57)
  • 6 (2022-01-04 (火) 15:32:21)
  • 7 (2022-01-05 (水) 10:51:42)
  • 8 (2022-01-17 (月) 15:14:49)
  • 9 (2022-10-01 (土) 04:06:35)
  • 10 (2023-02-01 (水) 16:37:17)
  • 11 (2023-09-27 (水) 22:31:27)

武藤?

スパース(疎)構造学習 

1.侵入検知システム(機械学習型IDS) 

データセット：DARPA1998(TCPdumpしたトラフィックデータ)
↓
１分単位のパケット数を時系列特徴量とした
↓
対数差分系列データへ変換＆標準化

目標：各時系列特徴間の直接相関関係のグラフ構造を求める 

→(多変量正規分布を想定)ガウス型グラフィカルモデルに精度行列(A)
（変数間の直接相関を表す）を推定する問題=構造学習
ノイズを排除して疎なAを求める
→Graphical Lasso

手順 

1.トラフィックデータをグラフ化
2.制度行列Aから算出した変相関係数を用いて描画(多分エッジの太さと正負関係を表す)
→全特徴量間に相関が出る完全グラフができた

3.GLを適用すると疎なグラフ構造ができた
4.グラフ表示時のトラフィックデータをNFPで学習させる
(グラフ時系列データにラベルを付与し、NFPで学習させ、異常状態の予測)
5.精度98%の予測ができた(トラフィックデータ以外の様々な時系列データに応用できそう)

• NFPとは
  
  • グラフ畳み込みNN（GCNN）を化学分野に応用したもの
  • 化学の分子構造をグラフとみて学習させ水溶度・毒性などの予測をする

作ったグラフにGraphical Lasso を適用して