原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/10/22/%e9%99%8d%e7%bb%b4%e7%ae%97%e6%b3%95%ef%bc%88%e4%b8%80%ef%bc%89-pca/
简要讨论数据不平衡（二）
上一篇
2014年10月22日
降维算法（二）—— MDS
下一篇
2014年10月22日
相关推荐
-
大模型支持的程序崩溃故障定位方法
本次报告聚焦大模型支持下的程序崩溃故障定位方法，介绍了AutoFL与FlexFL两个代表性算法，重点讲解了函数交互在大模型中的创新应用，并比较开源与闭源模型在定位精度与效率上的表现…
-
小样本命名实体识别
NER一直是NLP领域中的研究热点。近年来，深度学习方法在特征抽取深度和模型精度上表现优异，已经超过了传统方法，但无论是传统机器学习还是深度学习方法都依赖大量标注数据来训练模型。然…
-
Automated Machine Learning
机器学习是件很复杂的事情，在机器学习向更多领域扩展的时候，遇到了机器学习专家这一资源的限制。自动机器学习（A…
-
面向NIDS的流量对抗样本检测
在AI攻击复杂性和密集性不断提升的大背景下，ML-NIIDS面临巨大挑战，其中流量对抗样本严重威胁其安全稳定。本次报告从NIDS的迭代发展，聚焦到对抗性安全威胁，再引出主流流量对抗…
-
组合对抗攻击的自动化搜索方法
对抗攻击是当下智能系统的新威胁，它使得很多在现实世界中应用的智能系统存在的安全漏洞极大地暴露了出来。近年来，学界提出了多种实现对抗攻击的方法，但是在不知道目标模型的防御细节的情况下…
-
基于迁移学习的日志异常检测方法
本报告讲述了系统日志数据异常检测的基本框架，介绍了日志解析和迁移学习的基本概念和方法。通过分析日志数据特点和现有的基于深度学习的日志异常检测方法，详细讲解了两种基于迁移学习的日志异…
-
归一化流在表格数据生成中的应用
归一化流（Normalizing Flows）是一类生成模型，它利用一系列可逆变换将简单分布映射为复杂数据分布，具有精确计算概率密度的能力。在表格数据生成领域，归一化流的应用对于理…
-
缺乏先验知识条件下的模型窃取方法
随着机器学习的快速发展，图像分类、恶意软件识别等多个领域都通过建立机器学习模型解决相应的问题。但由于一些训练出的模型可能涉及训练数据的隐私信息与模型的商业价值，所以其安全性一直备受…
-
表格数据隐私保护
本次报告对表格数据的隐私保护方法展开介绍，介绍了目前常用的表格数据隐私保护方法，重点讲解生成对抗网络的基本原理及其和表格数据隐私保护间关系，详细阐述了经典的利用生成对抗网络生成新表…
-
代码异味检测
本次学术报告对以往实验室软件系统/代码质量评估的研究方向做了一个总结并引出新的概念：代码异味检测。针对代码异味概念，生成原因和研究最新的方向进行了探讨。同时结合两篇论文，从多异味检…
