arXiv cs.LG·53 天前★ 2

神经形态时序嵌入与混合SNN-XGBoost的工业网络物理分类

原文标题：Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出一种混合脉冲神经网络（SNN）与XGBoost架构，用于电力网络入侵检测。SNN仅训练一次作为固定特征提取器，仅重训XGBoost分类器，从而在机器遗忘攻击下保持结构韧性。在两个真实电力数据集上分别达到99.9%和95.0%准确率，且在标签翻转攻击下性能损失极小。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 电力网络入侵检测模型难以边缘部署，且周期性重训易受机器遗忘攻击。
方法: SNN 只训练一次作固定特征提取器，仅重训 XGBoost 分类器，形成混合架构。
结果: Synchrophasor 数据集 99.9% 准确率（F1-macro 0.999），MSU/ORNL 95.0%（0.943）；10% 标签翻转下仅损失 0.9% F1-macro。
影响: 给边缘侧安全检测提供低重训成本、抗数据投毒的结构方案，适合电力等关键基础设施。

AI 处理过程展开/收起

原始标题：Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks

AI 中文标题：神经形态时序嵌入与混合SNN-XGBoost的工业网络物理分类

来源：arXiv cs.LG · 发布于 53 天前

分类：学术研究 · AI 重要度：★ 2（2）

标签：脉冲神经网络 / 入侵检测 / 网络安全 / XGBoost / 机器遗忘

关键词：SNN / XGBoost / intrusion detection / machine unlearning

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。