Buchumschlag

Self-Supervised Learning of Graph Representations for Network Intrusion Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guerra, Lorenzo, Chapuis, Thomas, Duc, Guillaume, Mozharovskyi, Pavlo, Nguyen, Van-Tam
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN)
von: Guerra, Lorenzo, et al.
Veröffentlicht: (2024)

Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network
von: Xu, Renjie, et al.
Veröffentlicht: (2024)

Evaluating Tabular Representation Learning for Network Intrusion Detection
von: Butt, Muhammad Usman, et al.
Veröffentlicht: (2026)

Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems
von: Koukoulis, Ippokratis, et al.
Veröffentlicht: (2025)

SAFE: Self-Supervised Anomaly Detection Framework for Intrusion Detection
von: Li, Elvin, et al.
Veröffentlicht: (2025)

Robust Semi-Supervised Temporal Intrusion Detection for Adversarial Cloud Networks
von: Chattopadhyay, Anasuya, et al.
Veröffentlicht: (2026)

Online Self-Supervised Deep Learning for Intrusion Detection Systems
von: Nakıp, Mert, et al.
Veröffentlicht: (2023)

Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space
von: Roy, Padmaksha, et al.
Veröffentlicht: (2023)

Shift Detection and Adaptation for Network Intrusion Detection
von: Mousavipour, Ehssan, et al.
Veröffentlicht: (2025)

Feature Selection for Network Intrusion Detection
von: Westphal, Charles, et al.
Veröffentlicht: (2024)

EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning
von: Wu, Lijin, et al.
Veröffentlicht: (2024)

A Survey of Learning-Based Intrusion Detection Systems for In-Vehicle Network
von: Althunayyan, Muzun, et al.
Veröffentlicht: (2025)

IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection
von: Farabi, Ahsan, et al.
Veröffentlicht: (2025)

MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks
von: Lian, Wei, et al.
Veröffentlicht: (2026)

SCGNet-Stacked Convolution with Gated Recurrent Unit Network for Cyber Network Intrusion Detection and Intrusion Type Classification
von: Akter, Rajana, et al.
Veröffentlicht: (2024)

GRASP -- Graph-Based Anomaly Detection Through Self-Supervised Classification
von: Buchta, Robin, et al.
Veröffentlicht: (2026)

Effective Multi-Stage Training Model For Edge Computing Devices In Intrusion Detection
von: Trong, Thua Huynh, et al.
Veröffentlicht: (2024)

A Temporal Convolutional Network-based Approach for Network Intrusion Detection
von: Nazre, Rukmini, et al.
Veröffentlicht: (2024)

Enhanced Intrusion Detection System for Multiclass Classification in UAV Networks
von: Menssouri, Safaa, et al.
Veröffentlicht: (2024)

Intrusion Detection in Internet of Vehicles Using Machine Learning
von: Le, Hop, et al.
Veröffentlicht: (2025)

IT Intrusion Detection Using Statistical Learning and Testbed Measurements
von: Wang, Xiaoxuan, et al.
Veröffentlicht: (2024)

PIDSMaker: Building and Evaluating Provenance-based Intrusion Detection Systems
von: Bilot, Tristan, et al.
Veröffentlicht: (2026)

Investigating Application of Deep Neural Networks in Intrusion Detection System Design
von: Jeje, Mofe O.
Veröffentlicht: (2025)

An Efficient Privacy-preserving Intrusion Detection Scheme for UAV Swarm Networks
von: Gharami, Kanchon, et al.
Veröffentlicht: (2025)

Enhancing Trustworthiness in ML-Based Network Intrusion Detection with Uncertainty Quantification
von: Talpini, Jacopo, et al.
Veröffentlicht: (2023)

New Machine Learning Approaches for Intrusion Detection in ADS-B
von: Ngamboé, Mikaëla, et al.
Veröffentlicht: (2025)

Optimized IoT Intrusion Detection using Machine Learning Technique
von: Mahmud, Muhammad Zawad, et al.
Veröffentlicht: (2024)

Tracing the Chain: Deep Learning for Stepping-Stone Intrusion Detection
von: Mathews, Nate, et al.
Veröffentlicht: (2026)

Elevating Intrusion Detection and Security Fortification in Intelligent Networks through Cutting-Edge Machine Learning Paradigms
von: Munna, Md Minhazul Islam, et al.
Veröffentlicht: (2025)

A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems
von: Tafreshian, Benyamin, et al.
Veröffentlicht: (2025)

SDNGuardStack: An Explainable Ensemble Learning Framework for High-Accuracy Intrusion Detection in Software-Defined Networks
von: Ashikuzzaman, et al.
Veröffentlicht: (2026)

Q-AGNN: Quantum-Enhanced Attentive Graph Neural Network for Intrusion Detection
von: Chaudhary, Devashish, et al.
Veröffentlicht: (2026)

Exploring the Effect of DNN Depth on Adversarial Attacks in Network Intrusion Detection Systems
von: ElShehaby, Mohamed, et al.
Veröffentlicht: (2025)

Exploring Robust Intrusion Detection: A Benchmark Study of Feature Transferability in IoT Botnet Attack Detection
von: Guerra-Manzanares, Alejandro, et al.
Veröffentlicht: (2026)

Continual Learning with Strategic Selection and Forgetting for Network Intrusion Detection
von: Zhang, Xinchen, et al.
Veröffentlicht: (2024)

Deep Learning-based Embedded Intrusion Detection System for Automotive CAN
von: Khandelwal, Shashwat, et al.
Veröffentlicht: (2024)

A Critical Assessment of Interpretable and Explainable Machine Learning for Intrusion Detection
von: Subasi, Omer, et al.
Veröffentlicht: (2024)

Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security
von: Esmaeili, Mona, et al.
Veröffentlicht: (2024)

Adaptive Pruning of Deep Neural Networks for Resource-Aware Embedded Intrusion Detection on the Edge
von: Broggi, Alexandre, et al.
Veröffentlicht: (2025)

Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks
von: Neha, et al.
Veröffentlicht: (2025)