利用特权信息的一类支持向量机及其在恶意软件检测中的应用

Sep, 2016

利用特权信息的一类支持向量机及其在恶意软件检测中的应用

One-Class SVM with Privileged Information and its Application to Malware Detection

Evgeny Burnaev, Dmitry Smolyakov

TL;DR本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。

Abstract

A number of important applied problems in engineering, finance and medicine can be formulated as a problem of anomaly detection. A classical approach to the problem is to describe a normal state using a one-class support vector machine. Then to detect anomalies we quantify a distance f

anomaly detection one-class classification support vector machine privileged information performance evaluation

发现论文，激发创造

学习使用特权信息：SVM + 和加权 SVM

该研究讨论了使用先验知识通过特权信息来提高学习算法的预测性能或减少所需的训练数据的方法，其中重点介绍了 SVM+ 框架，并通过特权特征确定了加权 SVM 可以复制 SVM+ 解决方案，同时讨论了当特权特征不可用时如何选择加权 SVM 的问题。

Jun, 2013

使用分布鲁棒优化方法进行不确定性下的异常检测

基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

Dec, 2023

自适应 SVM+：使用特权信息进行域自适应学习

本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。

Aug, 2017

用于车载网络入侵检测的单类分类

此研究以各种最新的一类分类方法来调查在车载网络中控制区域网络总线上的注入攻击的性能，发现子空间支持向量数据描述方法在所有测试方法中表现最佳，Gmean 约为 85%。

Sep, 2023

受对抗标签污染影响的支持向量机

本文针对使用支持向量机（SVM）进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究，特别是研究了 SVM 对面向标签噪声攻击的安全性，并通过启发式方法解决了攻击策略的最优化问题，并在合成和实际数据集上进行了广泛的实验分析。最后，本文还指出，这种方法也可以为开发更安全的 SVM 学习算法以及半监督和主动学习等相关研究领域提供有用的见解。

Jun, 2022

支持向量机的中毒攻击

本论文考察了一系列针对支持向量机的中毒攻击，通过注入特制的训练数据来增加 SVM 的测试误差。该攻击使用了梯度上升策略并能够在输入空间内进行构造，即使对于非线性内核也适用，并可以可靠地识别验证误差曲面的良好局部最大值，从而显著提高分类器的测试误差。

Jun, 2012

数据聚类的特权信息

本文研究了 Vapnik 的主人公学习理念及其在无监督学习中使用的相关学习。通过提出的 aRi-MAX 方法，KMeans 算法的稳定性得到了改善，并在人工数据集上实现了最佳聚类解的识别。随后，提出了一种基于信息论点积的算法 P-Dot，能够利用各种聚类技巧，单独或组合使用，以融合特权数据和技术数据，以提高聚类效果。文中通过对数字识别任务的应用验证了这些方法在实际情况下的适用性。

May, 2013

使用单类支持向量机进行软件缺陷预测的研究

本文研究软件缺陷预测技术，探讨了单类支持向量机在缺陷预测方面的应用，通过大规模实证研究得出单类支持向量机在跨版本和跨项目方面的预测效果优于同类别模型，在实例稀缺或不可用时适用。

Feb, 2022

利用机器学习算法进行贝叶斯优化以实现异常检测

该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

Aug, 2020

使用支持向量机在 KDDCUP'99 和 NSL-KDD 数据集上的入侵检测系统：一项综合调查

该研究回顾了当代文献，针对支持向量机（SVMs）作为分类器的不同类型的入侵检测技术进行了综合调查，并仅关注在网络安全领域中最广泛使用的两个数据集：KDDCUP'99 和 NSL-KDD 数据集。研究人员提供了每种方法的总结，确认了 SVMs 分类器的作用并列出了涉及到的所有其他算法，并以表格形式对每种方法进行了重要评论，这些评论强调了评估指标，优点和局限性。

Sep, 2022