生成对抗分类网络及其在网络流量分类中的应用
机器学习
2023-03-21 v1 信息论
网络与互联网体系结构
math.IT
摘要
机器学习中的大型数据集常含缺失数据，需对缺失值进行填补。本工作受网络流量分类启发，其中传统数据填补方法表现不佳。我们认识到现有方法均未在数据填补时直接考虑分类准确率。因此，我们提出一种联合数据填补与数据分类的方法，称为生成对抗分类网络（GACN），其架构包含生成器网络、判别器网络与分类网络，并以分类准确率为最终目标进行迭代优化。针对部分数据样本无标签的场景，我们进一步提出扩展版半监督 GACN（SSGACN），可利用部分标注数据提升分类准确率。我们使用真实世界网络流量数据迹线开展实验，表明 GACN 与 SS-GACN 能更准确地填补对分类更为重要的数据特征，且在分类准确率上优于现有方法。
引用
@article{arxiv.2303.10681,
title = {Generative Adversarial Classification Network with Application to Network Traffic Classification},
author = {Rozhina Ghanavi and Ben Liang and Ali Tizghadam},
journal= {arXiv preprint arXiv:2303.10681},
year = {2023}
}
备注
6 pages, 4 figures, 2 tables