EAINIDS: a leakage-safe hybrid network intrusion detection framework with generative oversampling, latent representation learning, and computational evaluation

Seyedeh Aram Salehi, Seyyed Amir Asghari, Hanieh Naderi, Yvon Savaria, Javad Chaharlang

Article de revue (2026)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel

Mots clés

Département:
Département de génie électrique
Département de génie informatique et génie logiciel
Adresse URL de PolyPublie:
https://publications.polymtl.ca/85143/
Titre de la revue :
The Journal of Supercomputing ( vol. 82 , no 16 )
Maison d'édition:
Springer Science+Business Media
DOI:
10.1007/s11227-026-08887-7
URL officielle:
https://doi.org/10.1007/s11227-026-08887-7
OAI:
oai:publications.polymtl.ca:85143
ORCID
Seyyed Amir Asghari (iD)0000-0003-1506-3533 (Non authentifié)
Hanieh Naderi (iD)0000-0002-6590-9392 (Non authentifié)
Yvon Savaria (iD)0000-0002-3404-9959 (Non authentifié)
Date du dépôt:
06 nov. 2026 15:58
Dernière modification:
06 nov. 2026 15:58
Citer en APA 7:
Aram Salehi, S., Amir Asghari, S., Naderi, H., Savaria, Y., & Chaharlang, J. (2026). EAINIDS: a leakage-safe hybrid network intrusion detection framework with generative oversampling, latent representation learning, and computational evaluation. The Journal of Supercomputing, 82(16), 823 (31 pages). https://doi.org/10.1007/s11227-026-08887-7

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document