新的SMETA-ZSL方法推进了零样本网络安全威胁分类

研究人员开发了SMETA-ZSL，一种用于网络安全零样本威胁分类的新方法。该方法通过对比微调语义原型和利用知识蒸馏进行行为特征对齐的片段式元学习来解决语义重叠和类别不平衡等挑战。SMETA-ZSL在七个基准测试中表现出色，在严格的归纳设置下，平均性能比以前的方法高出10.8个百分点。 AI

影响 增强了AI在网络安全领域的零样本学习能力，使其能够更快地适应新型威胁。

排序理由 该条目是一篇研究论文，详细介绍了一种新的威胁分类方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• CatalyzeX
• computer security
• contrastive finetuning
• cyber threat intelligence
• DagsHub
• episodic meta-learning
• Generalized Zero-Shot Learning With Multiple Graph Adaptive Generative Networks
• GitHub
• Gotit.pub
• Hugging Face
• knowledge distillation
• large-language models
• ScienceCast
• SMETA-ZSL

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →