論文の概要: SemiScope: Disentangling Classifier Tuning and Joint Optimization in Semi-Supervised Security Classification

• arxiv url: http://arxiv.org/abs/2607.00113v1
• Date: Tue, 30 Jun 2026 19:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.612086
• Title: SemiScope: Disentangling Classifier Tuning and Joint Optimization in Semi-Supervised Security Classification
• Title（参考訳）: SemiScope: Unentangling Classifier Tuning and Joint Optimization in Semi-Supervised Security Classification (英語)
• Abstract要約: 半教師付き学習(SSL)は小さなラベル付きプールから大きなラベル付きプールへとラベルを伝播する。 最近の研究報告では、共同検索、AutoML、コンポーネントごとのチューニングを通じてSSLパイプラインを最適化することで、大幅な向上が報告されている。 私たちはSemiScopeを分析機器として開発していますが、デプロイメントの推奨ではありません。
• 参考スコア（独自算出の注目度）: 5.2513808063464635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background. Labeled data for security classification is scarce. Semi-supervised learning (SSL) propagates labels from a small labeled pool to larger unlabeled pools. Yet security applications often use SSL as a black box: default parameters, a fixed classifier, and no handling of pseudo-label-induced class imbalance. Aims. Recent work reports sizeable gains from optimizing SSL pipelines via joint search, AutoML, or per-component tuning. These gains are hard to attribute: they may reflect useful SSL-classifier interactions, or mostly from simply tuning the downstream classifier. We disentangle these effects for binary tabular security data with classical SSL and tree-based classifiers. Method. We build SemiScope as an analysis instrument, not a deployment recommendation. It uses Bayesian Optimization to jointly tune SSL settings, confidence filtering, oversampling, and the classifier. The key control, Tuned-Clf, fixes SSL to defaults but gets the same 100-trial classifier budget and validation-set threshold tuning as SemiScope. At 10% labels, we compare them with paired TOST using a +/-1.0 g-measure smallest effect of interest. Results. SemiScope beats every default SSL baseline on all five datasets, improving over the strongest by 0.7-12.7 points. Under the equal-budget control, Tuned-Clf is statistically equivalent to the full pipeline on 4 of 5 datasets; Phishing is inconclusive. Classifier HPO alone recovers a median 86% of SemiScope's gain over Default Self-Training (ST) + Random Forest (RF). Conclusions. The reusable contribution is the decomposition protocol. A simpler recipe suffices: use Self-Training, tune the classifier with Bayesian Optimization, and tune the decision threshold on validation data. It reaches within 1 g-measure of Supervised RF at 20-30% labels on four datasets and 40% on Drebin, at the same or lower label rate than Default ST + RF on every dataset.
• Abstract（参考訳）: 背景。 セキュリティ分類のためのラベル付きデータは少ない。 半教師付き学習(SSL)は小さなラベル付きプールから大きなラベル付きプールへとラベルを伝播する。 しかしセキュリティアプリケーションは、デフォルトパラメータ、固定分類器、擬似ラベルによるクラス不均衡の処理など、SSLをブラックボックスとして使用することが多い。 エイムズ。 最近の研究報告では、共同検索、AutoML、コンポーネントごとのチューニングを通じてSSLパイプラインを最適化することで、大幅な向上が報告されている。 これらの利得は、SSL-classifierの相互作用を反映するかもしれないし、ダウンストリーム分類器を単にチューニングすることによるものである。 従来のSSLとツリーベースの分類器を用いて、バイナリ表のセキュリティデータに対するこれらの効果を解消する。 方法。 私たちはSemiScopeを分析機器として開発していますが、デプロイメントの推奨ではありません。 Bayesian Optimizationを使って、SSL設定、信頼性フィルタリング、オーバーサンプリング、そして分類器を共同で調整する。 キーコントロールであるTuned-Clfは、SSLをデフォルトに修正するが、SemiScopeと同じ100のトライアル分類器の予算とバリデーションセットのしきい値チューニングを受ける。 10%のラベルで,+/-1.0g測定によるTOSTとペアのTOSTを比較した。 結果。 SemiScopeは5つのデータセットのすべてのデフォルトのSSLベースラインを破り、最強の0.7-12.7ポイントを上回った。 等予算制御の下では、Tuned-Clfは統計的に5つのデータセットのうち4つの完全なパイプラインと等価である。 分類法HPOだけでは、SemiScopeのデフォルト・セルフ・トライニング(ST)+ランダム・フォレスト(RF)に対する利益の86%を回復している。 結論。 再利用可能なコントリビューションは、分解プロトコルである。 自己評価を使い、分類器をベイジアン最適化で調整し、バリデーションデータに決定しきい値を調整する。 4つのデータセットで20～30%のラベルで、Drebinでは40%のラベルレートで、すべてのデータセットでデフォルトST + RFと同じまたは低いラベルレートで、監視されたRFの1gの範囲に到達します。

関連論文リスト

• Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data [6.812609988733991]
  高次元ガウス分類のためのSSLについて検討する。 正確な特徴選択のための情報理論の下限を解析する。 理論的解析を補完するシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-09-05T08:21:05Z)
• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• SSB: Simple but Strong Baseline for Boosting Performance of Open-Set Semi-Supervised Learning [106.46648817126984]
  本稿では,挑戦的で現実的なオープンセットSSL設定について検討する。 目標は、inlierを正しく分類し、outlierを検知することである。 信頼度の高い疑似ラベル付きデータを組み込むことで、不整合分類性能を大幅に改善できることが判明した。
  論文  参考訳（メタデータ） (2023-11-17T15:14:40Z)
• Semi-Supervised Learning in the Few-Shot Zero-Shot Scenario [14.916971861796384]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータの両方を利用して、モデルのパフォーマンスを向上させるフレームワークである。 既存のSSLメソッドを拡張し、特定のクラスが欠落している状況に対処するための一般的なアプローチを提案する。 実験の結果,最先端のSSL,オープンセットのSSL,オープンワールドのSSLメソッドと比較して,精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-08-27T14:25:07Z)
• Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning [93.63638405586354]
  擬似ラベルベースメタラーニング(PLML)という,シンプルで効果的なメタトレーニングフレームワークを提案する。 まず、一般的な半教師付き学習(SSL)を用いて分類器を訓練し、ラベルなしデータの擬似ラベルを得る。 ラベル付きおよび擬似ラベル付きデータから数ショットのタスクを構築し、特徴の平滑化と雑音抑圧を伴う新しい微調整法を設計する。
  論文  参考訳（メタデータ） (2022-07-14T10:53:53Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• MutexMatch: Semi-supervised Learning with Mutex-based Consistency Regularization [36.019086181632005]
  ミューテックスをベースとした整合性正規化(Mutex)を提案し,信頼性の低いサンプルを新しい方法で活用する。 MutexMatchは、CIFAR-10、CIFAR-100、SVHN、STL-10、mini-ImageNetなど、複数のベンチマークデータセットで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-03-27T14:28:16Z)
• OpenMatch: Open-set Consistency Regularization for Semi-supervised Learning with Outliers [71.08167292329028]
  我々はOpenMatchと呼ばれる新しいオープンセットセミスーパーバイザードラーニング(OSSL)アプローチを提案する。 OpenMatchは、1-vs-all(OVA)分類器に基づいた新規検出とFixMatchを統合する。 3つのデータセットで最先端のパフォーマンスを実現し、CIFAR10の未ラベルデータで見えないアウトリーチを検出する上で、完全な教師付きモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-05-28T23:57:15Z)

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。