Der Artikel analysiert die Ähnlichkeiten zwischen skalierbaren Klassifikatoren und konformen Vorhersagen, indem eine neue Definition einer Bewertungsfunktion eingeführt und ein spezieller Satz von Eingangsvariablen, die konforme Sicherheitsmenge, definiert wird. Diese Menge kann Muster im Eingaberaum identifizieren, die die Fehlerdeckungsgarantie erfüllen, d.h. die Wahrscheinlichkeit, das falsche (möglicherweise unsichere) Etikett für Punkte in dieser Menge zu beobachten, ist durch ein vorgegebenes Fehlerniveau ε begrenzt.
Die Autoren demonstrieren die praktischen Auswirkungen dieses Rahmens anhand einer Anwendung in der Cybersicherheit zur Erkennung von DNS-Tunneling-Angriffen. Die Arbeit trägt zur Entwicklung probabilistisch robuster und zuverlässiger maschineller Lernmodelle bei.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Alberto Carl... at arxiv.org 03-18-2024
https://arxiv.org/pdf/2403.10368.pdfDeeper Inquiries