Auditing the Privacy of Synthetic Gene Expression Data: A Unified Weighted-Distance Framework for No-Box Membership Inference
合成基因表达数据被视为受控访问基因组库的隐私保护替代方案，但其隐私安全性必须通过实证审计验证。成员推断攻击（MIA）通过判断某患者的基因表达谱是否参与生成模型训练来完成这一审计。本文针对 ELSA Health 2026 挑战赛发布的、源自
#machine-learning
共收录 116 条相关情报。
← 返回所有主题A Function-level Dataset of Vulnerable and Fixed Source Code in JavaScript and TypeScript
该论文针对 JavaScript 与 TypeScript 生态中自动化漏洞检测长期受限于高质量训练数据不足的问题，构建并公开发布了函数级漏洞数据集 JsVul。与常见的多语言通用数据集不同，JsVul 采用面向 JS/TS 的语言特定处理
Calibrating One-Round Membership Inference with Neighbors
该论文研究成员推断攻击(Membership Inference, MI)在“单轮(one-round)”设定下的信号校准问题。当前最先进的 MI 方法依赖参考模型(在排除目标样本的数据上训练的辅助模型)对每个样本单独进行逐样本校准,从而得
Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
该论文针对分布式拒绝服务(DDoS)攻击检测面临的两大挑战展开研究：一是攻击手法不断演进，生成式 AI 被用于构造更难识别的攻击流量，传统基于规则的防火墙难以捕捉这些新模式；二是训练数据本身存在不平衡与偏斜，尤其是包级特征(如正向/反向包计
Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark
近年来机器学习与深度学习主导了入侵检测系统（IDS）研究，但大量已发表成果存在指标虚高和基准不可复现的问题。这些问题贯穿 ML/DL 流水线全过程：从数据采集与标注，到特征工程、模型训练与评估。CIC-IDS2017 是网络入侵检测领域常用
Unmasking Shortcut Learning in IoT Intrusion Detection: A Forensic, Multi-Paradigm Evaluation of Feature Dependence and Data Leakage
该论文针对物联网入侵检测系统（NIDS）评测中的「捷径学习」（shortcut learning）问题，开展了一次取证式、多范式的系统性评估。研究背景是：基于机器学习的 NIDS 在 IoT 公开基准上普遍报告近乎完美的检测性能，但作者质疑
Multi-View Fusion for Encrypted C2 Detection: A Leakage-Controlled Measurement Study of Evaluation Pitfalls
该论文针对加密C2流量检测中常见的多视图融合假设展开实证研究。作者指出，随着C2流量越来越多地隐藏于TLS，防御方常用流统计特征与TLS握手指纹两类元数据训练机器学习模型，并普遍认为二者融合可同时提升准确率与鲁棒性。为验证该假设，研究者使用
Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic
该研究关注网络流量序列的图结构表示与攻击类别识别之间的关系。背景上，自然可见图（Natural Visibility Graph, NVG）能把一维时间序列映射为图结构：序列中的每个观测点成为节点，若两点之间存在不受中间点遮挡的可见关系则连
Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling
该论文针对 Android 恶意软件大规模筛查场景中「特征提取成本过高」这一瓶颈提出了一种轻量级方案 Name2Pkg。传统深度学习检测方法普遍依赖 APK 内部特征（如权限、API 调用、字节码、资源文件）或运行时行为序列，这些特征虽然判
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
Identifying Security Platform Product Abuse with Machine Learning
本文关注 SaaS 行业中日益增长但单次事件发生频率极低的『产品滥用』(product abuse) 问题。作者指出，高水平威胁行为者有两类滥用形态：一是在客户环境内部滥用厂商提供的安全平台能力（即把安全产品本身当作攻击工具），二是针对安全
X-amine509: Predicting the Practical Risk Level of Enterprise X.509 Certificates
该论文针对企业级 X.509 证书资产管理中的优先级排序难题提出解决方案。大型组织往往持有数百万张证书，虽然有基于 CA/Browser Forum 基线要求、NIST IR 8547/SP 800-57 及密码强度标准构建的确定性合规检查
Navigating the Latent Manifold: Proactive Concept Drift Adaptation for Resilient NIDS
本文针对基于人工智能的网络入侵检测系统（NIDS）在面对概念漂移（concept drift）时性能退化、误报率升高的问题，提出了一种新颖的漂移自适应检测框架 DriftXpert。现有 AI 驱动的 NIDS 通常假设网络流量数据分布是静
Exact Record Omission in Delta Attention: A Transport Criterion, Its Cost, and a Replay Certificate
本论文研究大型语言模型中精确删除用户数据记录的问题。在具有循环记忆或混合架构（如线性注意力模型）中，数据记录被折叠进模型状态，用户请求删除时，模型的状态必须与从未存储该记录的状态一致才算完全遗忘。独立编码的行可以轻松移除，但循环记忆中的记录
WAPP: Safe Learning of Positive Security WAF Policies from Live Traffic
传统 Web 应用防火墙（WAF）主要依赖签名检测已知攻击，面对变种或未见过载荷容易留下防护缺口。正向安全（positive security）通过刻画合法流量形态并阻断偏离该形态的输入，作为补充思路，但其关键难点是：直接从实时流量学习可能
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
Sparrow: Space-Efficient zkSNARK for Data-Parallel Circuits and Applications to Zero-Knowledge Decision Trees.
本文提出 Sparrow，一种面向数据并行算术电路的空间高效零知识简洁非交互式证明（zkSNARK）方案。zkSNARK 在实际部署中常因证明者空间开销过大而受限，其空间需求可能比原生计算高出数个数量级。Sparrow 首次在固定有限域上实
PAC-Private Algorithms.
该论文针对机器学习算法在实践中缺乏严格隐私保证的问题，提出应用近期提出的 Probably Approximately Correct (PAC) Privacy 框架，为多种常用黑盒算法（K-Means、支持向量机 SVM、主成分分析 P
Practical Blind Membership Inference Attack via Differential Comparisons.
本文提出了一种实用的盲成员推断攻击方法（Blind Membership Inference Attack），针对机器学习模型的隐私泄露问题。成员推断攻击旨在判断某个具体数据样本是否被用于训练目标模型（如深度神经网络），从而直接威胁用户隐私
Enhancing Web Application Firewalls with Machine Learning for SQL Injection Detection
本研究针对SQL注入（SQLi）检测这一Web应用安全中的关键挑战，进行了系统的文献综述以识别研究空白，并据此设计并优化了一个基于DistilBERT的堆叠集成检测管道。该管道首先对数据进行全面的预处理与分词，提取DistilBERT嵌入，