論文の概要: PERO: Efficient Robust Post-Training Foundation Models for Encrypted Traffic Classification
- arxiv url: http://arxiv.org/abs/2608.15504v1
- Date: Sun, 16 Aug 2026 03:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.323311
- Title: PERO: Efficient Robust Post-Training Foundation Models for Encrypted Traffic Classification
- Title（参考訳）: PERO: 暗号化トラフィック分類のための効率的なロバスト後トレーニングモデル
- Abstract要約: 我々は、暗号化トラフィック基盤モデルのための効率的な堅牢な後トレーニングフレームワークPEROを提案する。
PEROは、卓越した頑健なポストトレーニング手法と比較して、競争力や優れたロバスト性、平均性能を実現していることを示す。
- 参考スコア（独自算出の注目度）: 13.708406314565936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Encrypted traffic classification is vital for network security, yet real-world deployments are inherently sensitive to rare but high-loss errors such as misclassification of malicious traffic. The encrypted traffic foundation model, as a promising general-purpose technique, can achieve impressive overall performance. However, employing standard objectives such as empirical risk minimization often overlooks high-risk tail events, and commonly used performance metrics hardly reflect robustness limitations in risk-sensitive scenarios. Directly applying robust optimization objectives, such as conditional value-at-risk, to post-training is computationally prohibitive for large models, as identifying high-loss samples exhausts substantial computation. To this end, we propose Pre-Evaluation Robust Optimization (PERO), an efficient robust post-training framework for encrypted traffic foundation models. PERO employs a lightweight proxy to estimate sample-wise risk and selects a subset of high-risk samples to update the foundation model, decoupling risk estimation from expensive large-model optimization. Extensive experiments on typical encrypted traffic datasets show that PERO achieves competitive or superior robustness and average performance compared to outstanding robust post-training methods, while significantly reducing computational and memory costs.
- Abstract（参考訳）: 暗号化されたトラフィック分類はネットワークセキュリティにとって不可欠だが、現実のデプロイメントは、悪質なトラフィックの誤分類のような稀だが高い損失のエラーに本質的に敏感である。
暗号化されたトラフィック基盤モデルは、有望な汎用技術として、全体的なパフォーマンスを実現することができる。
しかしながら、経験的リスク最小化のような標準目標を採用することは、しばしばリスクの高いテールイベントを見落とし、一般的に使用されるパフォーマンスメトリクスは、リスクに敏感なシナリオにおける堅牢性制限をほとんど反映しない。
条件付き値-リスクなどのロバストな最適化目標をポストトレーニングに適用することは、大規模モデルでは計算が禁じられている。
この目的のために,暗号化トラフィック基盤モデルのための効率的な堅牢な後トレーニングフレームワークであるPERO(Pre-Evaluation Robust Optimization)を提案する。
PEROは、サンプル単位のリスクを推定するために軽量なプロキシを使用し、高リスクサンプルのサブセットを選択して基礎モデルを更新し、高価な大モデル最適化からリスク推定を分離する。
典型的な暗号化されたトラフィックデータセットに対する大規模な実験により、PEROは、卓越した堅牢な後トレーニング手法と比較して、競争力や優れたロバスト性、平均性能を実現し、計算とメモリコストを著しく削減している。
関連論文リスト
- Scaling Reinforcement Learning for Diffusion Models via Velocity Matching [66.34541945134916]
RewardBenchファインチューニングは、人間の好みやタスク固有の目的に拡散モデルを適用するための重要なツールである。
自己回帰モデルとは異なり、拡散モデルは生成したサンプルの抽出可能な可能性を提供しない。
本稿では,速度場に直接作用する単純なトラジェクトリフリー更新である報酬ベースベロシティマッチング(RVM)を提案する。
論文 参考訳（メタデータ） (2026-08-24T17:13:43Z) - Efficient Adaptive Rejection Sampling for Accelerating Speculative Decoding in Large Language Models [2.4065240342323384]
本稿では, 適応型リジェクションサンプリング(EARS)について紹介する。
EARSは、ターゲットモデルの予測不確かさを1-max(P_target)として組み込むことで、受入閾値を動的に調整する。
投機的復号化の効率を大幅に向上させ、18.12%のスループット向上を実現し、GSM8Kベンチマークでは0.84%の精度低下を無視できる。
論文 参考訳（メタデータ） (2025-12-15T11:08:56Z) - Abex-rat: Synergizing Abstractive Augmentation and Adversarial Training for Classification of Occupational Accident Reports [5.58730646214246]
ABEX-RATは、強力な対人訓練で生成データ拡張を相乗化するための新しいフレームワークである。
本研究では,AbeX-RATが新しい最先端性能を実現し,マクロF1スコアが90.32%に達することを示す。
論文 参考訳（メタデータ） (2025-09-02T08:22:59Z) - How Robust Are Router-LLMs? Analysis of the Fragility of LLM Routing Capabilities [62.474732677086855]
大規模言語モデル(LLM)ルーティングは,計算コストと性能のバランスをとる上で重要な戦略である。
DSCベンチマークを提案する: Diverse, Simple, and Categorizedは、幅広いクエリタイプでルータのパフォーマンスを分類する評価フレームワークである。
論文 参考訳（メタデータ） (2025-03-20T19:52:30Z) - Efficient Safety Alignment of Large Language Models via Preference Re-ranking and Representation-based Reward Modeling [84.00480999255628]
大規模言語モデル(LLM)の安全性アライメントのための強化学習アルゴリズムは,分散シフトの課題に直面している。
現在のアプローチでは、ターゲットポリシーからのオンラインサンプリングを通じてこの問題に対処するのが一般的である。
モデル固有の安全判断能力を活用して報酬信号を抽出する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-13T06:40:34Z) - Reward-Guided Speculative Decoding for Efficient LLM Reasoning [80.55186052123196]
Reward-Guided Speculative Decoding (RSD)は,大規模言語モデル(LLM)における推論の効率向上を目的とした新しいフレームワークである。
RSDは、厳密な偏りを強制する既存の投機的復号法とは対照的に、制御されたバイアスをハイリワード出力の優先順位付けに取り入れている。
RSDは,対象モデルのみでの復号化に対して,高い効率向上を実現し,並列復号法よりも高い精度を実現している。
論文 参考訳（メタデータ） (2025-01-31T17:19:57Z) - Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。
KL偏差正規化損失関数の最適化により重みを求める。
提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-01T06:16:18Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Adaptive Deep Learning for Entity Resolution by Risk Analysis [5.496296462160264]
本論文では, 特定の特性によって, 対象作業負荷に対する深層モデルをチューニングする, 新たなリスクベースアプローチを提案する。
理論分析の結果,リスクに基づく適応トレーニングは,誤った予測されたインスタンスのラベル状態をかなり良い確率で修正できることがわかった。
論文 参考訳（メタデータ） (2020-12-07T08:05:46Z) - Multimodal Safety-Critical Scenarios Generation for Decision-Making
Algorithms Evaluation [23.43175124406634]
既存のニューラルネットワークベースの自律システムは、敵の攻撃に対して脆弱であることが示されている。
意思決定アルゴリズムの評価のためのフローベースマルチモーダル安全クリティカルシナリオジェネレータを提案する。
生成したトラフィックシナリオを用いて6つの強化学習アルゴリズムを評価し,その堅牢性に関する実証的な結論を提供する。
論文 参考訳（メタデータ） (2020-09-16T15:16:43Z)
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。