Resumen

El aprendizaje de poca muestra (FSL) es un tema central en el dominio del aprendizaje automático (ML), en el que se enfoca en el uso de conjuntos de datos pequeños para entrenar el modelo. En los últimos años, ha habido muchas aplicaciones importantes de ML basadas en datos para la detección de intrusiones. A pesar de estos grandes logros, reunir una gran cantidad de datos confiables sigue siendo costoso y consume mucho tiempo, o incluso imposible. En este sentido, se ha demostrado que el FSL tiene ventajas en términos de procesar muestras pequeñas y anómalas de datos en el enorme espacio de aplicación de la detección de intrusiones. El FSL puede mejorar el ML para datos escasos en tres niveles: los datos, el modelo y los niveles del algoritmo. El conocimiento previo juega un papel importante en los tres enfoques. También se han desarrollado muchos métodos prometedores como el enriquecimiento de datos, el modelo de red neuronal gráfica y el aprendizaje multitarea. En este documento, presentamos una revisión exhaustiva de

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje de pocos disparos; Aprendizaje automático; Detección de intrusos; Aplicaciones basadas en datos; Enriquecimiento de datos; Red neuronal gráfica; Aprendizaje multitarea.
• Keywords:Few-shot learning; Machine learning; Intrusion detection; Data-driven applications; Data enrichment; Graph neural network; Multitask learning