Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
本文针对恶意流量检测模型在面对网络流量强动态性时，常需处理分布外（out-of-distribution）数据的问题展开研究。现有深度学习恶意流量检测模型依赖大量高质量标注数据，但标注难度高、资源消耗大，导致现有数据集多样性不足，难以覆盖不
#generalization
共收录 6 条相关情报。
← 返回所有主题Evaluating ML-based Intrusion Detection Systems: The Illusion of Model Efficacy
该论文聚焦于基于机器学习的入侵检测系统（ML-based IDS）在实际部署中的有效性问题，指出当前研究普遍存在一种“模型效能幻觉（illusion of model efficacy）”：即通过改进算法、优化检测率、降低误报率等手段，在特
Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks
该论文研究了轻量级机器学习模型在工业物联网（IIoT）入侵检测中的跨域泛化失败问题。虽然轻量级模型因其适合资源受限的边缘部署而被广泛提出，但大多数报告的结果仅在训练网络内评估，未验证其在未见网络上的表现。本研究在一种IIoT数据集上训练了四
Certification of Machine Learning Models via Directional Sharpness
本文提出了一种新的机器学习模型认证度量——方向锐度（Directional Sharpness），旨在高效且可靠地指示模型的泛化能力。在模型认证中，泛化能力是关键质量指标，但直接认证泛化不可行，因为它依赖于未知数据且不可直接测量。传统代理指
From Principle to Practice: Vertical Data Minimization for Machine Learning.
该论文针对机器学习中的数据最小化（Data Minimization, DM）原则进行了系统研究。组织在训练和部署预测模型时，往往收集大量详细的客户数据，一旦发生数据泄露，将导致隐私暴露风险。政策制定者日益要求遵守数据最小化原则，即仅收集任
Assessing Generalisation Capability of Machine Learning Models for Intrusion Detection
该研究系统评估了监督机器学习模型在网络入侵检测中的泛化能力，聚焦于同数据集与跨数据集设置下的性能差异。实验采用UNSW-NB15和TON_IoT两个广泛使用的入侵检测数据集，对比了随机森林（RF）、逻辑回归（LR）和朴素贝叶斯（NB）三种模