Wykaz publikacji wybranego autora

Kamil Faber, mgr inż.

doktorant

Wydział Informatyki
WI-ii, Instytut Informatyki


  • 2019

    [dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / informatyka techniczna i telekomunikacja


Identyfikatory Autora

ORCID: 0000-0003-4221-0017 orcid iD

ResearcherID: DWU-5651-2022

Scopus: 57231352700





Liczba pozycji spełniających powyższe kryteria selekcji: 9, z ogólnej liczby 9 publikacji Autora


1
  • [referat, 2022]
  • TytułActive lifelong anomaly detection with experience replay
    AutorzyKamil FABER, Roberto Corizzo, Bartłomiej ŚNIEŻYŃSKI, Nathalie Japkowicz
    ŹródłoDSAA'2022 [Dokument elektroniczny] : 2022 IEEE 9th international conference on Data Science and Advanced Analytics : 13–16 October 2022, Shenzhen, China : proceedings / ed. by Joshua Zhexue Huang, [et al.]. — Piscataway : IEEE, cop. 2022. — S. [1–10]
  • keywords: anomaly detection, active learning, lifelong learning, intrusion detection, experience replay

    cyfrowy identyfikator dokumentu: 10.1109/DSAA54385.2022.10032405

2
  • [referat, 2023]
  • TytułAda-QPacknet - multi-task forget-free continual learning with quantization driven adaptive pruning
    AutorzyMarcin PIETROŃ, Dominik ŻUREK, Kamil FABER, Roberto Corizzo
    ŹródłoECAI 2023 : 26textsuperscript{th} European Conference on Artificial Intelligence : including 12textsuperscript{th} conference on Prestigious Applications of Intelligent Systems (PAIS 2023) : September 30 - October 4, 2023, Kraków, Poland : proceedings / ed. by Kobi Gal, [et al.] ; European Association for Artificial Intelligence (EurAI), Polish Artificial Intelligence Society (PSSI). — Amsterdam : IOS Press BV, cop. 2023. — S. 1882-1889
  • brak zdefiniowanych słów kluczowych

    cyfrowy identyfikator dokumentu: 10.3233/FAIA230477

3
  • [referat, 2021]
  • TytułAutoencoder-based IDS for cloud and mobile devices
    AutorzyKamil FABER, Łukasz FABER, Bartłomiej ŚNIEŻYŃSKI
    ŹródłoCCGrid 2021 [Dokument elektroniczny] : 21st IEEE/ACM international symposium on Cluster, Cloud and Internet Computing : 10-13 May 2021, Melbourne, Australia : proceedings / eds. Laurent Lefevre, [et al.]. — Piscataway: IEEE, cop. 2021. — S. 728-736
  • keywords: machine learning, security, mobile cloud computing, intrusion detection system, autoencoder

    cyfrowy identyfikator dokumentu: 10.1109/CCGrid51090.2021.00088

4
5
  • [referat, 2022]
  • TytułLIFEWATCH: lifelong wasserstein change point detection
    AutorzyKamil FABER, Roberto Corizzo, Bartłomiej ŚNIEŻYŃSKI, Michael Baron, Nathalie Japkowicz
    ŹródłoIJCNN 2022 [Dokument elektroniczny] : International Joint Conference on Neural Networks : Padua, Italy, 18–23 July 2022 : proceedings / IEEE. — Piscataway : IEEE, cop. 2022. — s. 1-8
  • keywords: time series data, lifelong learning, change point detection

    cyfrowy identyfikator dokumentu: 10.1109/IJCNN55064.2022.9892891

6
  • [referat, 2023]
  • TytułScalability of a neuroevolutionary based framework for anomaly detection
    AutorzyMarcin PIETROŃ, Dominik ŻUREK, Kamil FABER
    ŹródłoKU KDM 2023 [Dokument elektroniczny] : fifteenth ACC Cyfronet AGH HPC users’ conference : Zakopane, 19–21 April 2023 : proceedings / eds. Kazimierz Wiatr, Jacek Kitowski, Marian Bubak. — Kraków : Academic Computer Centre Cyfronet AGH, [2023]. — S. 71–72
  • keywords: anomaly detection, deep learning, neuroevolution, autoencoders

    cyfrowy identyfikator dokumentu:

7
  • [referat, 2023]
  • TytułTransformed-*: a domain-incremental lifelong learning scenario generation framework
    AutorzyDominik ŻUREK, Roberto Corizzo, Michał KARWATOWSKI, Marcin PIETROŃ, Kamil FABER
    ŹródłoIJCNN 2023 [Dokument elektroniczny] : International Joint Conference on Neural Networks : 18–23 June 2023, Queensland, Australia : conference proceedings. — Piscataway : IEEE, cop. 2023. — S. [1–10]
  • keywords: lifelong learning, lifelong image classification, domain-incremental

    cyfrowy identyfikator dokumentu: 10.1109/IJCNN54540.2023.10191200

8
9
  • [referat, 2021]
  • TytułWATCH: Wasserstein change point detection for high-dimensional time series data
    AutorzyKamil FABER, Roberto Corizzo, Bartłomiej ŚNIEŻYŃSKI, Michael Baron, Nathalie Japkowicz
    Źródło2021 IEEE International Conference on Big Data [Dokument elektroniczny] : 15–18 December 2021 : virtual event / ed. by Yixin Chen, [et al.]. — Piscataway : IEEE, cop. 2021. — S. 4450–4459
  • keywords: big data, time series, high dimensional data, change point detection

    cyfrowy identyfikator dokumentu: 10.1109/BigData52589.2021.9671962