PulseAugur
中
实时 11:48:42
English(EN) Concept Drift Detection and Adaptive Retraining of Malware Classification Models

新的OCSVM方法提高了恶意软件分类模型再训练的效率

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了检测和适应恶意软件分类模型中概念漂移的方法。该研究分析了两种主要技术：一种基于单类支持向量机（OCSVM），另一种使用小批量K-均值（MK-Means），同时也考虑了最大均值差异（MMD）。使用多层感知机、随机森林、支持向量机和XGBoost模型的实验表明，具有漂移意识的再训练，特别是采用OCSVM方法，可以达到与周期性再训练相当的准确率，但效率显著提高。 AI

影响 通过实现更智能的再训练策略，提高了恶意软件分类模型的效率和准确性。

排序理由 一篇在arXiv上发表的研究论文，详细介绍了机器学习模型中概念漂移检测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的OCSVM方法提高了恶意软件分类模型再训练的效率

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Christofer Washington Berruz Chungata, Martin Jurecek, Katerina Potika, William B. Andreopoulos, Mark Stamp ·

    概念漂移检测与恶意软件分类模型的自适应再训练

    arXiv:2608.13465v1 Announce Type: cross Abstract: Concept drift refers to changes over time in the statistical properties of data, as compared to the data that was used to train a learning model. Machine learning models for malware detection or classification are particularly sus…

相关实体

相关话题