基于支撑域的单分类器和密度估计的本质关系

单类支持向量机和支持向量数据描述是两种流行的基于支撑域的单分类器。为揭示采用高斯核后他们与密度估计之间的关系,首先将基于支撑域的单分类器统一到密度估计的框架下;其次证明了基于支撑域的单分类器诱导的密度估计和真实密度一致,同时也能减小积分平方误差。最后通过人工数据集实验验证了上述关系。     

少数类的集成学习

传统机器学习中研究的分类问题通常假定各类别是平衡的,但在很多场合各类别的出现概率相差很大,而且很多应用中需要区分重要而稀少的少数类.本文比较了3种基于AdaBoost集成学习方法,并推导出他们的精度几何平均(GMA)的下界.分析表明:类别越不平衡,这3种方法越难以通过提高基分类器准确率来提高GMA.在此结论的基础上,以Bagging为基础提出了单边Bagging算法,该算法只对多数类抽样,而保留所有少数类,因而每轮的训练集是类别平衡的,并通过UCI数据集验证了其有效性.     

具有认知能力的入侵检测系统模型

介绍了入侵检测的原理，对目前入侵检测的模型和方法进行分析，并给出了一个具有认知能力的入侵检测系统模型，该模型由基于规则的检测模块、神经网络组件、统计分析处理模块三个主要模块组成。模型采用了异常检测和误用检测相结合的方法，使系统既有对已知的攻击有较好的识别能力，又有检测未知攻击的能力。文末指出了当前入侵检测存在的问题及今后的发展方向。