VulValidate: Auditing Function-Level Vulnerability Labels with Executable Evidence
基于学习的漏洞检测高度依赖训练标签的质量。现有大规模数据集（BigVul、PrimeVul、DiverseVul 等）通常以「漏洞修复提交」为依据，把被补丁改动过的函数直接标注为「存在漏洞」，但被安全补丁修改并不等于该函数本身存在漏洞，由此
#label-noise
共收录 4 条相关情报。
← 返回所有主题Identifying Suspected Mislabeled Apps in Google Play Application Removal Prediction: An Empirical Comparison of Label Noise Detection Methods
该论文研究 Google Play 应用下架预测任务中的标签噪声问题。现有预测模型（如 Mohsen、Karastoyanova 与 Azzopardi 2022 年构建的 870,514 个应用的语料）所用的标签只记录某应用在后续某个观测
When Label Noise Meets Class Imbalance: A Robust Framework for Android Malware Family Classification
该论文研究的是 Android 恶意软件家族分类模型在真实训练数据条件下的鲁棒性问题。作者指出现有机器学习方法虽在基准数据集上准确率很高，但落地时面临两大障碍：其一，Android 生态中广泛使用的代码混淆会严重干扰自动化标注流程，导致训练
CoLD: Collaborative Label Denoising Framework for Network Intrusion Detection.
本文针对网络入侵检测中标签噪声问题展开研究。标签噪声会导致模型错误分类和检测精度下降，现有去噪方法往往缺乏对网络流量的深层理解，盲目重构标签分布以过滤含噪样本，因而性能次优。作者从因果关联视角揭示了噪声标签对入侵检测模型的影响机制，指出性能