时空注意力池化用于音频场景分类
密码学与安全
2019-12-04 v2 机器学习
摘要
声学场景的内容丰富且冗余。在这项工作中，我们提出了一种时空注意力池化层，其与卷积循环神经网络相结合，以从具有判别性的模式中学习，同时抑制那些与音频场景分类无关的模式。该网络中的卷积层从时频输入中学习不变特征。然后双向循环层能够对所得卷积特征的时序动态进行编码。之后，通过由空间与时间注意力向量（从两个指定注意力层学习得到）的外积形成二维注意力掩码，对循环输出进行加权并池化为最终特征向量用于分类。该网络使用由类间数据增强生成的类间样本进行训练。实验表明，所提方法不仅优于强大的卷积神经网络基线，而且在 LITIS Rouen 数据集上确立了新的 SOTA 性能。
引用
@article{arxiv.1904.03542,
title = {On Training Robust PDF Malware Classifiers},
author = {Yizheng Chen and Shiqi Wang and Dongdong She and Suman Jana},
journal= {arXiv preprint arXiv:1904.03542},
year = {2019}
}
备注
USENIX Security 2020