論文の概要: Reliable Hierarchical Operating System Fingerprinting via Conformal Prediction

• arxiv url: http://arxiv.org/abs/2602.12825v1
• Date: Fri, 13 Feb 2026 11:20:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.931217
• Title: Reliable Hierarchical Operating System Fingerprinting via Conformal Prediction
• Title（参考訳）: コンフォーマル予測による信頼性の高い階層型オペレーティングシステムフィンガープリント
• Authors: Rubén Pérez-Jove, Osvaldo Simeone, Alejandro Pazos, Jose Vázquez-Naya,
• Abstract要約: コンフォーマル予測(CP)は、既存の手法にラップして、保証されたカバレッジで予測セットを得ることができる。 この研究は、2つの異なる構造化CP戦略を導入し評価することで、これらの制限に対処する。 どちらの手法も妥当性を保証するが、レベルワイド効率と構造的整合性の間には根本的なトレードオフがある。
• 参考スコア（独自算出の注目度）: 62.40452053128524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operating System (OS) fingerprinting is critical for network security, but conventional methods do not provide formal uncertainty quantification mechanisms. Conformal Prediction (CP) could be directly wrapped around existing methods to obtain prediction sets with guaranteed coverage. However, a direct application of CP would treat OS identification as a flat classification problem, ignoring the natural taxonomic structure of OSs and providing brittle point predictions. This work addresses these limitations by introducing and evaluating two distinct structured CP strategies: level-wise CP (L-CP), which calibrates each hierarchy level independently, and projection-based CP (P-CP), which ensures structural consistency by projecting leaf-level sets upwards. Our results demonstrate that, while both methods satisfy validity guarantees, they expose a fundamental trade-off between level-wise efficiency and structural consistency. L-CP yields tighter prediction sets suitable for human forensic analysis but suffers from taxonomic inconsistencies. Conversely, P-CP guarantees hierarchically consistent, nested sets ideal for automated policy enforcement, albeit at the cost of reduced efficiency at coarser levels.
• Abstract（参考訳）: オペレーティングシステム(OS)のフィンガープリントはネットワークセキュリティにとって重要であるが、従来の手法では正式な不確実性定量化機構を提供していない。 コンフォーマル予測(CP)は、既存の手法を直接ラップして、保証されたカバレッジで予測セットを得ることができる。 しかし、CPの直接的な応用はOS識別をフラットな分類問題として扱い、OSの自然な分類学的構造を無視し、脆弱な点予測を提供する。 この研究は、各階層レベルを独立に校正するレベルワイドCP(L-CP)と、葉レベルセットを上方に投影することで構造整合性を確保するプロジェクションベースのCP(P-CP)の2つの異なる構造的CP戦略を導入し評価することによって、これらの制限に対処する。 以上の結果から,両手法が妥当性保証を満足する一方で,レベルワイド効率と構造整合性の基本的なトレードオフを明らかにした。 L-CPは、人間の法医学的分析に適したより厳密な予測セットを得るが、分類学的不整合に悩まされる。 逆に、P-CPは階層的に一貫したネストセットを、粗いレベルでの効率の低下を犠牲にしながら、自動的な政策執行に理想的に保証している。

関連論文リスト

• Hierarchical Conformal Classification [5.964388602612373]
  コンフォーマル予測(CP)は、機械学習モデルにおける不確実性を定量化する強力なフレームワークである。 標準CPは、クラスをフラットで非構造化として扱い、クラスラベル間の意味や階層構造のような関係を無視している。 本稿では,クラス階層を予測集合の構造と意味論の両方に組み込んだCPの拡張である階層型HCCal Classification (HCC)を提案する。
  論文  参考訳（メタデータ） (2025-08-18T18:05:55Z)
• Efficient Robust Conformal Prediction via Lipschitz-Bounded Networks [7.428082880875367]
  コンフォーマル予測(CP)は、ニューラルネットワークの信頼性を改善する効果的な方法であることが証明されている。 そこで我々は,Lipschitz-bounded network を用いてロバストCP集合を高精度かつ効率的に推定する手法を提案する。 我々のリップ-rcp法は、この2番目のアプローチをバニラCPと同じくらい効率的にすると同時に、堅牢性を保証する。
  論文  参考訳（メタデータ） (2025-06-05T09:38:14Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Probabilistically robust conformal prediction [9.401004747930974]
  コンフォーマル予測(CP)は、ディープニューラルネットワークを含む機械学習分類器の不確実性を定量化するフレームワークである。 CPに関する既存の作業のほとんど全てがクリーンなテストデータを前提としており、CPアルゴリズムの堅牢性についてはあまり知られていない。 本稿では,ほとんどの摂動に対して頑健性を保証する確率論的頑健な共形予測(PRCP)の問題について検討する。
  論文  参考訳（メタデータ） (2023-07-31T01:32:06Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Learning Optimal Conformal Classifiers [32.68483191509137]
  コンフォーマル予測(CP)は、真のクラスを含む信頼セットをユーザが特定した確率で予測するために用いられる。 本稿では, CP を用いた学習において, コンフォーマルラッパーをエンド・ツー・エンドとしたトレーニングモデルを用いて, CP による差別化戦略について検討する。 コンフォメーショントレーニング(ConfTr)は、平均信頼度セットのサイズを小さくすることで、最先端のCP手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-18T11:25:33Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)

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。