深度分析 GTCN‑G:結合殘差圖形與時間卷積的高效入侵偵測框架 隨著網路威脅與流量類別不平衡問題日益嚴峻,研究提出 GTCN‑G 結合門控時間卷積與圖形卷積,並加入 GAT 殘差機制保留特徵資訊。實驗在兩大基準資料集上顯示其在二元與多類別偵測上均達到最新最佳表現。
深度分析 FEAT:幾何感知校正提升聯邦持續學習樣本重放效能 在聯邦持續學習中樣本重放常受動態異質性影響。FEAT 透過幾何結構對齊與能量校正兩模組,提升特徵一致性並減少類別偏差。實驗證實其在不平衡資料下顯著提升模型表現。