Domain adaptive deep semi-supervised transfer learning for anomaly detection in OpenWiFi
Notice bibliographique
Résumé
Evaluating service connectivity of OpenWiFi to endusers calls for meticulous analysis of traffic patterns to identify any unusual behavior. This work proposes an automated approach to annotate the partially labeled OpenWiFi data more effectively, enabling discrimination of anomalous behavior from normal traffic behavior. Our framework comprises feature selection, semi-supervised learning (SSL), deep semi-supervised transfer learning (DSSTL), and K-Means clustering analysis for forecasting pseudo labels on unlabeled data, utilizing limited labeled information to extract relevant Key Performance Indicators (KPIs). We utilized one-dimensional convolutional neural network (1D-CNN) and Long Short-Term Memory (LSTM), enhanced by semi-supervised learning (SSL) and unsupervised K-Means to generate pseudo labels as anomaly or normal for unlabeled data. DSSTL involves domain adaptation by combining SSL, transfer learning, and K-Means clustering algorithm, thereby generalizing the forecasting quality of pseudo labels over conventional SSL and clustering approach. Our findings showcase DSSTL-based 1D-CNN with Mean Square Error (MSE) loss outperforms the analysis for SSL and DSSTL-based LSTM in acquiring pseudo labels for all proportions of unlabeled data, as indicated by Calinski and Harabasz (CH) score. It is noticeable that DSSTL-based 1D-CNN with MSE achieves a CH score that increases by 94% corresponding to 25% over 30% unlabeled samples, regardless of the increasing trend in CH score with an increase in proportions of unlabeled samples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».