A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
本文针对勒索软件检测在样本稀缺与新型变种场景下失效的问题，提出了一种混合深度学习框架，把自编码器特征提取器（Autoencoder Feature Extractor, AFE）与模型无关元学习分类器（Model-Agnostic Meta
#autoencoder
共收录 6 条相关情报。
← 返回所有主题Information Blackhole: Exploring Backdoor Mechanism in 3D Point Cloud Reconstruction
该论文聚焦三维点云自编码器的后门安全问题。点云自编码器是 3D 世界表示的基础组件，被广泛用于自动驾驶感知、机器人、数字孪生等安全攸关的下游任务。此前学术界对点云分类模型的后门攻击研究已较为充分，但针对点云自编码器这类生成式模型的后门机理仍
Intelligent Disruption: Undetectable Attacks on Wireless Autoencoders
本论文针对无线自编码器通信系统中对抗攻击的不可检测性、攻击性和适应性难题，提出了一种基于深度学习的智能攻击框架。在存在多个攻击者的复杂场景下，多路并行攻击产生的累积泄漏干扰（CLI）会显著增加攻击被检测到的风险，同时动态环境使得固定攻击策略
Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems
本文针对基于自编码器的网络入侵检测系统（NIDS）面临的对抗性逃避攻击问题展开研究。攻击者利用 PANDA 框架，将网络流量中的报文序列转换为可逆灰度图像，从而将在视觉领域开发的对抗样本技术迁移到网络领域，例如使用掩蔽快速梯度符号法（mas
Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems
该论文针对电力系统中由数据驱动的盲假数据注入攻击（FDIA）提出了一种拓扑感知的检测方法。现有研究大多基于统计或数据驱动的方法分析测量值，但攻击者可以利用自编码器学习测量流形并生成与Jacobian零空间对齐的扰动，从而绕过残差检测器和时间
FALCON-C: Flow-based Analysis and Labeling for Connected Vehicular Network Cybersecurity
该论文提出了一种名为FALCON-C（Flow-based Analysis and Labeling for Connected Vehicular Network Cybersecurity）的框架，旨在增强电动汽车充电设施（EVSE）