Détection d'intrusions fédérée et semi-supervisée pour l'IoT - Mines Saint-Étienne
Communication Dans Un Congrès Année : 2022

Détection d'intrusions fédérée et semi-supervisée pour l'IoT

Résumé

Le modèle FLuIDS combine apprentissages fédéré et semisupervisé. De petits appareils (IoT) co-construisent un système de détection d'intrusions respectueux de la vie privée à moindre coût.

Domaines

Intelligence artificielle [cs.AI]
Fichier principal
Vignette du fichier
13-IoTIA-PFIA-2022.pdf (73.74 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence
Paternité

Florent Breuil  : Connectez-vous pour contacter le contributeur

https://hal-emse.ccsd.cnrs.fr/emse-04217743

Soumis le : mardi 26 septembre 2023-09:32:29

Dernière modification le : mercredi 18 septembre 2024-03:36:18

Archivage à long terme le : mercredi 27 décembre 2023-18:27:21

Télécharger pour visualiser

Dates et versions

emse-04217743 , version 1 (26-09-2023)

Licence

Paternité

Identifiants

  • HAL Id : emse-04217743 , version 1

Citer

Ons Aouedi, Kandaraj Piamrat, Guillaume Muller, Kamal Singh. Détection d'intrusions fédérée et semi-supervisée pour l'IoT. Plate-Forme Intelligence Artificielle : Internet des Objets et Intelligence Artificielle, Jun 2022, Saint-Etienne, France. ⟨emse-04217743⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-ST-ETIENNE EMSE IOGS CNRS INRIA EC-NANTES PARISTECH UNAM LS2N LS2N-STACK UDL NANTES-UNIVERSITE LABORATOIRE-HUBERT-CURIEN INSTITUT-MINES-TELECOM
67 Consultations
82 Téléchargements

Partager

More