論文の概要: Vulnerability Forecasting: In theory and practice
- arxiv url: http://arxiv.org/abs/2012.03814v1
- Date: Mon, 7 Dec 2020 15:57:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 10:48:02.018559
- Title: Vulnerability Forecasting: In theory and practice
- Title(参考訳): 脆弱性予測:理論と実践
- Authors: \'Eireann Leverett, Matilda Rhode, Adam Wedgbury
- Abstract要約: NVDで放出されるCVEの体積を1年前まで予測することが可能である。
また、特定のベンダー、ソフトウェア、CVSSスコア、または脆弱性タイプに属する総ボリュームの割合を推定することもできます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Why wait for zero-days when you could predict them in advance? It is possible
to predict the volume of CVEs released in the NVD as much as a year in advance.
This can be done within 3 percent of the actual value, and different predictive
algorithms perform well at different lookahead values. It is also possible to
estimate the proportions of that total volumn belonging to specific vendors,
software, CVSS scores, or vulnerability types. Strategic patch management
should become much easier, with this uncertainty reduction.
- Abstract(参考訳): 事前に予測できたら、なぜゼロデイを待つのか?
NVDで放出されるCVEの体積を1年前まで予測することが可能である。
これは実際の値の3%以内に行うことができ、異なる予測アルゴリズムは異なるルックアヘッド値でうまく機能する。
また、特定のベンダー、ソフトウェア、CVSSスコア、または脆弱性タイプに属する合計Volumnの割合を推定することもできる。
この不確実性を減らすことで、戦略的パッチ管理がより簡単になるはずだ。
関連論文リスト
- Price predictability in limit order book with deep learning model [0.0]
本研究では,ディープラーニングモデルを用いた高周波価格変化の予測について検討する。
未定義の目標価格プロセスでは,過去の情報を組み込むことで予測が無意味になることが判明した。
論文 参考訳(メタデータ) (2024-09-21T14:40:13Z) - Conformal Prediction for Deep Classifier via Label Ranking [29.784336674173616]
コンフォーマル予測(Conformal prediction)は、予測セットを所望のカバレッジ保証で生成する統計フレームワークである。
我々は、$textitSorted Adaptive Prediction Sets$ (SAPS)という新しいアルゴリズムを提案する。
SAPSは最大ソフトマックス確率を除いて全ての確率値を捨てる。
論文 参考訳(メタデータ) (2023-10-10T08:54:14Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳(メタデータ) (2023-03-25T08:56:21Z) - Uncertainty-Aware Performance Prediction for Highly Configurable
Software Systems via Bayesian Neural Networks [12.607426130997336]
本稿では,予測モデルに不確実性を組み込むベイズ深層学習手法BDLPerfを提案する。
本研究では,ベイズ予測モデルにより生じる信頼区間の信頼性を確保するために,新しい不確実性校正手法を開発した。
実世界の10のシステムに対する実験結果から,BDLPerfは既存の手法よりも精度が高いことがわかった。
論文 参考訳(メタデータ) (2022-12-27T04:39:26Z) - Comparison of Uncertainty Quantification with Deep Learning in Time
Series Regression [7.6146285961466]
本稿では,気象時系列データと異なる不確実性推定手法を比較した。
その結果,各不確実性推定手法が予測タスクに与える影響が示された。
論文 参考訳(メタデータ) (2022-11-11T14:29:13Z) - Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。
我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
論文 参考訳(メタデータ) (2022-07-20T14:41:09Z) - Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。
本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。
ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文 参考訳(メタデータ) (2021-12-15T15:17:02Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳(メタデータ) (2021-09-30T19:19:09Z) - Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。
いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。
我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
論文 参考訳(メタデータ) (2021-08-25T15:49:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。