《表3 半监督降维方法的对比分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《半监督异常流量检测研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

半监督学习过程本身会增加模型训练时间，需要一种有效而合理的降维方法来减轻计算机的计算负担，除此之外，降维还为有效和清晰的数据可视化提供了有用的基础．现阶段在异常流量检测这一特定领域的半监督降维研究还相对较少，但是大范围内针对半监督降维方法的研究成果还是比较丰富．传统的监督降维方法通常可以在大量样本的前提下通过特征选择或者特征提取建立更好的模型．但是，在缺乏标签数据的现实世界中，由于过度拟合，传统方法的性能往往较差．在这种情况下，未标记的样本可能有助于改善性能，同时利用这些有标记的数据和无标记的数据可以有效地对多维数据进行降维．表3列举了半监督降维学习的相关模型，其中前三个模型为当前最新的有价值意义的半监督降维算法，后两个模型为半监督降维与其它算法的优势结合，希望此分析能为后续研究者将相关半监督降维方法应用于异常流量检测提供帮助．