BriefGPT - AI 论文速递
·
零日威胁的特征选择自编码器叠加
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一种新的堆叠自编码器模型NE_ESAE，采用邻近样本信封学习机制进行优化，实现特征减少与基分类器的分类，最终通过集成机制融合信封样本空间的每一层的分类结果，实验结果表明该方法比传统的特征学习方法和深度自编码器有显着的性能优势。
🎯
关键要点
- 提出了一种新的堆叠自编码器模型 - 邻近信封嵌套堆叠自编码器集成模型（NE_ESAE）
- 该模型使用邻近样本信封学习机制进行优化
- 采用多层迭代平均聚类方法生成具有层次结构信息的信封样本空间
- 在每个样本空间的层上进行嵌套自编码器（ESAE）的训练和特征减少与基分类器的分类
- 通过集成机制融合信封样本空间的每一层的分类结果
- 实验结果表明该方法比传统的特征学习方法和深度自编码器有显着的性能优势
➡️
