Onderzoek Unconfirmed

SMETA-ZSL: Semantische Meta-Afstemming voor Zero-Shot Bedreigingsclassificatie

Gepubliceerd 14 July 2026

AI-samenvatting, gecontroleerd door de redactie.

Cyberbeveiligingssystemen moeten zich snel aanpassen aan nieuwe bedreigingen, maar gelabelde data voor deze nieuwe categorieën is vaak niet beschikbaar. Generalized zero-shot learning biedt een oplossing door het herkennen van ongeziene klassen via semantische kennis. Dit onderzoek introduceert SMETA-ZSL, dat semantische prototypes leert van overlappende taalbeschrijvingen en gedragskenmerken afstemt via episodisch meta-leren. De methode toont sterke prestaties in zero-shot classificatie, met significante verbeteringen ten opzichte van eerdere methoden. SMETA-ZSL presteert het beste onder strikte inductieve voorwaarden over zeven benchmarks.

Betrouwbaarheid
70
Relevantie
80
Impact
75
Urgentie
60

Oorspronkelijke bronnen (1)

Deze pagina toont geen volledige brontekst - lees het origineel voor de volledige context.

  • Primaire bron SMETA-ZSL:Semantic Meta-Alignment for Zero-Shot Threat Classification
    arXiv - cs.LG (Machine Learning) · 14-07-2026 · ResearchPublication
    Lees origineel
Fout gezien of correctie nodig? Neem contact op.