RETROFIT: Apprendimento Continuo con Obblio Controllato per la Sicurezza Binaria
RETROFIT è una tecnica innovativa progettata per affrontare il declino delle prestazioni dei modelli di deep learning utilizzati per l'analisi della sicurezza binaria in ambienti di minaccia in evoluzione. Questo metodo facilita l'apprendimento continuo senza la necessità di dati passati, gestendo la ritenzione della conoscenza attraverso un processo di oblio controllato. Combina modelli precedentemente addestrati con quelli recentemente messi a punto utilizzando un'unione di parametri senza retrospettiva, limitando le regolazioni a sottospazi di basso rango e sparsi per mantenere un'ortogonalità approssimativa. Ciò consente al modello di rispondere a minacce emergenti mantenendo la conoscenza esistente. La ricerca è disponibile su arXiv con l'identificatore 2511.11439.
Fatti principali
- RETROFIT è un metodo per l'apprendimento continuo nella sicurezza binaria.
- Non richiede la riproduzione di dati storici.
- L'oblio controllato è ottenuto tramite unione di parametri e vincoli di sottospazio.
- L'approccio consolida conoscenze ereditate ed emergenti.
- Pubblicato su arXiv con ID 2511.11439.
- Affronta il degrado delle prestazioni in ambienti di minaccia in evoluzione.
- Utilizza unione di parametri senza retrospettiva.
- Limita le modifiche dei parametri a sottospazi di basso rango e sparsi.
Entità
Istituzioni
- arXiv