PulseAugur
中
实时 12:02:39
English(EN) Retrofit: Continual Learning with Controlled Forgetting for Binary Security Detection and Analysis

新的RETROFIT方法实现了二进制安全持续学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了RETROFIT，一种专为二进制安全任务设计的新型持续学习方法。该方法使模型能够适应不断变化的威胁和代码表示，而无需保留历史数据，这在安全敏感环境中至关重要。RETROFIT通过一种无回顾的参数合并技术，合并先前训练和新近微调的模型来实现这一点，通过约束参数更改和使用置信度引导仲裁机制来控制遗忘。 AI

影响 为网络安全任务提供更强大、更具适应性的AI模型，同时不损害数据敏感性。

排序理由 该集群包含一篇详细介绍持续学习新方法的论文。[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RETROFIT方法实现了二进制安全持续学习

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yiling He, Junchi Lei, Hongyu She, Shuo Shao, Xinran Zheng, Yiping Liu, Zhan Qin, Lorenzo Cavallaro ·

    Retrofit：用于二进制安全检测和分析的具有可控遗忘的持续学习

    arXiv:2511.11439v3 Announce Type: replace-cross Abstract: Binary security has increasingly relied on deep learning to reason about malware behavior and program semantics. However, the performance often degrades as threat landscapes evolve and code representations shift. While con…

相关话题