核心概念
Konforme Vorhersagen ermöglichen die Definition zuverlässiger und robuster Lernalgorithmen. Durch die Einführung des Konzepts des skalierbaren Klassifikators kann ein zuverlässiger Lernrahmen für die Klassifizierung von Beginn an definiert werden, indem eine Beziehung zwischen dem Eingaberaum und der Konformitätsgarantie hergestellt wird.
摘要
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.
統計資料
Die Wahrscheinlichkeit, dass das falsche Label -1 für die Punkte, die zu Sε gehören, vorhergesagt wird, ist unter-linear in Bezug auf den erwarteten Fehler ε.
引述
"Konforme Vorhersagen ermöglichen die Definition zuverlässiger und robuster Lernalgorithmen."
"Durch die Einführung des Konzepts des skalierbaren Klassifikators kann ein zuverlässiger Lernrahmen für die Klassifizierung von Beginn an definiert werden."
"Die Arbeit trägt zur Entwicklung probabilistisch robuster und zuverlässiger maschineller Lernmodelle bei."