305336記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. 一度の学習で二つのタスクを同時に改善する暗号化通信分類フレームワーク（One Train for Two Tasks: An Encrypted Traffic Classification Framework Using Supervised Contrastive Learning）
2 分で読了
0 views

一度の学習で二つのタスクを同時に改善する暗号化通信分類フレームワーク

（One Train for Two Tasks: An Encrypted Traffic Classification Framework Using Supervised Contrastive Learning）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下が『暗号化通信の分類をやれば検知精度が上がる』と言うのですが、どこが新しい論文なのでしょうか。現場に入れる価値があるか一言で教えてくださいませんか。

AIメンター拓海

素晴らしい着眼点ですね！結論から言うと、この論文は「一度の学習でパケット単位とフロー単位の分類を同時に学ばせ、両方で精度を高める」仕組みを提案していますよ。大丈夫、一緒に整理していけば必ずできますよ。

田中専務

要するに、別々に学習していたものを一回でやってしまうということですか。それでコストは下がるんですか、現場で使えるんですか。

AIメンター拓海

良い質問です。端的に言うと、訓練はやや増えるかもしれませんが、一度に学ぶことで重複した処理が減り、運用時の推論負荷はそれほど増えない可能性があります。要点は三つです。1) パケットとフローの表現を同時に強く学ぶことで双方の精度が上がる、2) グラフ構造の増強で細かな違いを捉える、3) 実運用での計算コストは抑えられることが多い、という点です。

田中専務

グラフって現場のデータで扱えますか。うちのネットワークは古い機器も混じっていて、データ整備に時間がかかりそうで不安です。

AIメンター拓海

大丈夫、学ぶところから始めましょう。ここでいうグラフとは、通信の中のバイト同士のつながりを点と線で表したものです。身近な比喩で言えば、文書を単語のつながりで表現するのと同じで、データが多少雑でも有用な傾向は拾えますよ。段階的に導入すれば投資対効果は見えやすくなります。

田中専務

専門用語が出てきましたが、

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
MINT：マルチターゲット事前学習と命令チューニングによる音声―言語モデル強化
（MINT: Boosting Audio-Language Model via Multi-Target Pre-Training and Instruction Tuning）
次の記事
T-RAG：LLM戦線からの教訓
（T-RAG: Lessons from the LLM Trenches）
関連記事
非パラメトリック適応非線形統計フィルタ
（A Nonparametric Adaptive Nonlinear Statistical Filter）
AutoManual：LLMエージェントによる対話的環境学習を通じた操作マニュアルの構築
(AutoManual: Constructing Instruction Manuals by LLM Agents via Interactive Environmental Learning)
残差学習・再帰型ニューラルネットワークと視覚皮質の関係を結ぶ研究
（Bridging the Gaps Between Residual Learning, Recurrent Neural Networks and Visual Cortex）
関係単位で学ぶ異種グラフ基盤攻撃モデル
（HeTa: Relation-wise Heterogeneous Graph Foundation Attack Model）
ペナルティ勾配正規化
（Penalty Gradient Normalization）
Momentum Diverse Input Iterative Fast Gradient Sign Method (M-DI2-FGSM) によるブラックボックス顔認識攻撃の評価 — Evaluation of Momentum Diverse Input Iterative Fast Gradient Sign Method (M-DI2-FGSM) Based Attack Method on MCS 2018 Adversarial Attacks on Black Box Face Recognition System
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声から「屋外録音」時の3D顔動作を合成する技術
（Synthesising 3D Facial Motion from “In-the-Wild” Speech）
  • 論文研究
大量のツイートに基づく市民の特徴付け
（Characterization of citizens using word2vec and latent topic analysis in a large set of tweets）
  • 論文研究
オミクスデータの統合的コンセンサスクラスタリングのための多重カーネル学習
（Multiple kernel learning for integrative consensus clustering of ’omic datasets）
  • 論文研究
生成モデルの精度と網羅性を分離して評価する手法の改良
（Improved Precision and Recall Metric for Assessing Generative Models）
  • 論文研究
SR-GANによるゼロショット学習の改良
（SR-GAN: SEMANTIC RECTIFYING GENERATIVE ADVERSARIAL NETWORK FOR ZERO-SHOT LEARNING）
  • 論文研究
継続学習の三つのシナリオ
（Three scenarios for continual learning）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む