面向安全的迁移学习：挑战与未来方向
密码学与安全
2024-03-05 v1 机器学习
摘要
许多机器学习和数据挖掘算法依赖于训练数据和测试数据共享相同特征空间和分布的假设。然而，这一假设并不总是成立。例如，在某些情况下，我们需要对一个领域中的数据进行分类，但只有来自不同领域的充足训练数据可用。后者可能遵循不同的分布。在这种情况下，跨领域成功迁移知识可以显著提高学习性能，并减少大量数据标注工作的需求。因此，迁移学习 (TL) 已成为应对这一挑战的有前景的框架，特别是在安全相关任务中。本文旨在回顾当前利用迁移学习技术进行安全领域研究的最新进展。本文讨论了在安全领域应用迁移学习时现有研究的空白，并探讨了在迁移学习辅助安全解决方案背景下潜在的研究方向和问题。
引用
@article{arxiv.2403.00935,
title = {Transfer Learning for Security: Challenges and Future Directions},
author = {Adrian Shuai Li and Arun Iyengar and Ashish Kundu and Elisa Bertino},
journal= {arXiv preprint arXiv:2403.00935},
year = {2024}
}