MetaCluster 通用分类框架

参数降 79% 起

面向网络安全的可解释分类框架，通过嵌入表示、原型获取和语义聚合生成多粒度特征原型，在降低参数消耗和提升速度的同时保持性能，并可可视化特征重要性以理解分类决策。

Wenhan, Ge · Zeyuan, Cui · 王俊峰 · 唐宾徽 · Li, Xiaohui

IEEE Transactions on Information Forensics and Security 2024

参数信息

参数消耗减少率

79.52% – 91.78% %

运行速度提升率

71.37 %

均方误差降低幅度

0.0101 – 0.1020

技术优势

参数开销大降

与其他深度学习模型相比，参数消耗减少 79.52% 至 91.78%，推理部署更轻量。

推理更快

运行速度提升高达 71.37%，适合对实时性要求高的安全分析场景。

精度不妥协

在大幅降低参数和提升速度的同时，F1 分数保持稳定或略有上升。

决策可解释

能够评估并可视化图像、文本和统计特征的重要性，降低预期与实际预测之间的均方误差达 0.1020。

应用场景

• 网络安全分析：用可解释的分类结果辅助安全分析，降低误判风险。
• 恶意流量识别：以较低参数开销快速识别恶意流量，适应实时防护需求。
• 边缘端推理：参数消耗减少使模型可部署在边缘设备上，进行本地推理。
• 可解释AI：通过可视化特征重要性解释分类决策，满足可解释性要求。