Využití multi-instančního učení v bezpečnosti počítačových sítí

Abstract

Multi-inštančné učenie je typom strojového učenia, v ktorom sú inštancie usporiadané do súborov. V tomto odvetví zohrávajú doležitú úlohu reprezentácie a funkcie pre výpočet vzdialenosti medzi súbormi. Táto práca skúma ich rozne typy zavedenia dostupné v literatúre, a navyše navrhnuje možné modifikácie či úplne nový prístup k reprezentácii súboru. Dalej popisuje postupy, ktorých ciel'om je experimentálne overenie kvality jednotlivých funkcií vzdialenosti a reprezentácií. Aplikáciou týchto postupov boli získané cenné závery, ktoré poukazujú napríklad na to, že kombinovanie bežne používaných funkcií vzdialenosti viedlo ku zvýšeniu kvality a konzistentnosti dosahovaných výsledkov.

Multiple instance learning is a form of machine learning where instances are arranged in bags. This thesis deals with several types of representations and distance functions which play a key role in this field. Some of them were taken from literature and their possible modifications were designed, and a new approach to bag representation is dealt with as well. The thesis also describes relevant procedures with the goal of measuring the quality of individual distance functions and representations experimentally. By executing these procedures, valuable results were received. For instance, they suggest that averaging of commonly used distance functions leads to better results.