論文の概要: SoK: Where Do Flow Labels Come From? Auditing Label Provenance in Encrypted Traffic Benchmarks

• arxiv url: http://arxiv.org/abs/2609.02140v1
• Date: Wed, 02 Sep 2026 05:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.098501
• Title: SoK: Where Do Flow Labels Come From? Auditing Label Provenance in Encrypted Traffic Benchmarks
• Title（参考訳）: SoK: フローラベルはどこから来たのか? 暗号化されたトラフィックベンチマークでラベルの出現を監査
• Abstract要約: 暗号化されたトラフィック分類は、トランスポート層オブザーバブルからのフローレコードを超えたセマンティクスを推論する。 近年の体系化では、モデルインプットとデータ分割を精査し、補完ラベル側を体系化している。 14のベンチマーク項目で2つの繰り返しラベル側戦略を同定した。
• 参考スコア（独自算出の注目度）: 5.044786941116112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Encrypted traffic classification infers semantics beyond the flow record from transport-layer observables, and supervised training rests on labels that hold for the individual flow they are attached to. Recent systematizations scrutinize model in- puts and data splits; we systematize the complementary label side. Across 14 audited benchmark entries, we identify two recurring label-side strategies: coarse inheritance, which risks labelling flows the evidence does not cover, and overstrict filtering, which keeps only self-attesting flows and risks dis- carding relevant ones. No audited entry exposes a countable pre-selection population, and the task objects downstream papers attach to the same labels disagree with the recovered record in 8 of 23 referenced cells. Under strict side-channel features we derive a representation-relative ceiling on bal- anced accuracy for any classifier restricted to those features: on the public benchmarks that inherit, it ranges from 0.56 to 0.76. On the filtering side, only 24.95% of connections in our fully captured corpus carry an observable SNI of their own; yet the discarded connections raise macro accuracy from 0.44 to 0.65 through same-run co-occurrence features. We end with recommendations for benchmark builders and users.
• Abstract（参考訳）: 暗号化されたトラフィック分類は、トランスポート層オブザーバブルからフローレコードを越えてセマンティクスを推論し、教師付きトレーニングは、アタッチされた個々のフローを保持するラベルに残ります。 近年の体系化では、モデルインプットとデータ分割を精査し、補完ラベル側を体系化している。 14の監査されたベンチマーク項目で、粗い継承、証拠がカバーしていないラベル付けフローのリスク、自己検証フローのみを抑え、関連するものをカードから外すリスクの2つの繰り返しラベルサイド戦略を特定した。 監査されたエントリは、可算な事前選択人口を公開せず、タスクオブジェクトが同じラベルに添付された下流紙は、23個の参照された細胞のうち8つの回収されたレコードに一致しない。 厳密なサイドチャネル機能の下では、これらの機能に制限された任意の分類器に対してバルアンドの精度で表現関係の天井を導出します。 フィルタリングの面では、完全にキャプチャされたコーパス内の24.95%のコネクションは、独自の観測可能なSNIを持っているが、破棄された接続は、同一の共起機能によってマクロ精度を0.44から0.65に向上させる。 最終的には、ベンチマークビルダーとユーザのためのレコメンデーションで終わります。

関連論文リスト

• ZK-Trace: Certified Collusion Tracing with Zero-Knowledge Credentials for Federated GNSS Interference Monitoring [2.611390035495907]
  ZK-Traceは、公開IDマーク、受信者固有のTardos指紋、およびゼロ知識認証を組み合わせる。 レジストリは、漏洩者の協力なしにオフライントレースをサポートする。
  論文  参考訳（メタデータ） (2026-09-08T14:00:29Z)
• Labels Are Not Endpoints: Treatment Leakage and Construct Validity in MCP Agent Security Evaluation [0.0]
  10,200行の実行行を180のモデルバウンドリクエスト,45のセマンティックリクエスト,15の観測可能な刺激にトレースすることで,保存されたキャンペーンを監査する。 我々は、7リンクの積分チェインと、スコープ境界の終端積分linterをコントリビュートする。
  論文  参考訳（メタデータ） (2026-08-13T06:44:40Z)
• UNMASK: Discovering and Causally Verifying Spurious Shortcuts in Text Classifiers [9.827138852806305]
  大規模クラウドソースコーパスで訓練されたニューラル言語モデルは、真の言語的・因果的関連性のないターゲットラベルに結びついている刺激的な表面パターンをしばしば活用する。 既存のアプローチでは、機能の語彙を手動で指定するか、発見を部分的に自動化すればよい。 我々は,完全自動パイプラインであるUN M ASKについて,テキスト表現の素早い相関を発見し,因果検証し,緩和する。
  論文  参考訳（メタデータ） (2026-08-10T07:31:08Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
  PerceptionRubricsはルーブリックベースの評価フレームワークである。 飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
  論文  参考訳（メタデータ） (2026-06-26T17:59:15Z)
• Auditing LLM Benchmarks with Item Response Theory [1.1455131351238124]
  LLMベンチマークラベルはリリース時に凍結され、ダウンストリームベンチマークやエラーなどすべてに静かに伝播する。 項目応答理論に基づくインジケータを導入し、上位200の例で95%の精度で誤ラベルをサーフェスする。 我々はこれらの誤りを、機械的なラベル付け、ソースデータセットから受け継がれていない上流のアノテーションの誤り、および基本的には修正可能なシングルラベルのない曖昧な項目まで追跡する。
  論文  参考訳（メタデータ） (2026-05-28T19:38:44Z)
• Metric-Dependent Annotation Saturation for Learning from Label Distributions [0.0]
  我々は,ChaosNLIをサブサンプルとしたラベル分布のNLIモデルを微調整する。 3クラス NLI では、エントロピー相関は N 20-50 のアノテータを収束させる必要がある。 ソフトラベルは、ラベルの平滑化が再現できないアイテム固有の信号を運ぶ。
  論文  参考訳（メタデータ） (2026-05-28T11:46:51Z)
• AgentAtlas: Beyond Outcome Leaderboards for LLM Agents [0.025718125188898048]
  AgentAtlasは、診断語彙および監査プロトコルとしてのエージェント評価を再設定する。 i)6状態制御-決定分類(Act / Ask / Refuse / Stop / Confirm / Recover)、(ii)一次誤差源と下流衝撃を持つ軌道障害語彙、(iv)8つのモデルで評価された合成1,342-itemに関する実証的プロトコル研究。
  論文  参考訳（メタデータ） (2026-05-19T22:05:12Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。