Loss-Aware Attention-Based Dual Feature Selection for Handling Imbalanced IoT Intrusion Detection
Este artículo propone el marco DFLA-IDS, el cual combina la selección de características globales mediante MIC y mRMR con un transformador de atención consciente de la pérdida para abordar eficazmente la redundancia de características y el desequilibrio de clases, logrando un rendimiento de detección de intrusiones superior en el conjunto de datos UNSW-NB15 en comparación con Deep BiLSTM.