研究人员开发了一个可复现的流程，使用自由文本描述将常见漏洞和暴露 (CVE) 映射到 MITRE ATT&CK Enterprise 技术。他们基于专家标注数据构建的自定义训练分类器，其性能显著优于零样本基线。对使用 LLM 辅助标签扩展此数据集的调查显示，此类标签并未提供可靠的改进，甚至可能降低性能，这表明标签质量而非仅仅是数据集大小，是分类器准确性的关键因素。 AI
影响 强调了当前 LLM 在为专业网络安全任务生成高质量、可靠标签方面的局限性。
排序理由 学术论文，详细介绍了新方法和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- ATT&CK Enterprise
- capecitabine
- Common Vulnerabilities and Exposures ID
- Common Weakness Enumeration
- MITRE ATT&CK
- MITRE Center for Threat-Informed Defense
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
