Masteroppgaven skal undersøke tabulære grunnmodeller, som TabPFN, TabICL og TabFM, for anvendelse på cybersikkerhetsproblemer, for eksempel inntrengningsdeteksjon. Hovedvekten vil ligge på generaliseringsevne, læring fra begrensede mengder merkede data, deteksjon av sjeldne angrep og pålitelige konfidensestimater, herunder kalibrering (calibration).
Mulige forskningsspørsmål inkluderer:
- Hvor mye merket data trenger tabulære grunnmodeller for å kunne oppdage vanlige og sjeldne angrep?
- Hvor godt generaliserer modellene på tvers av tidsperioder, enheter, nettverk og datasett?
- Er modellenes predikerte sannsynligheter mer kalibrert enn gradient boosting-modeller, tradisjonelle nevrale nettverk, bayesianske nevrale nettverk eller ensembler av maskinlæringsmodeller, f.eks. dype nevrale nettverk?
- Kan konform prediksjon (conformal prediction) gi pålitelig dekningsgrad og identifisere prediksjoner som bør vurderes av en sikkerhetsanalytiker?
Evalueringen bør inkludere kalibreringsmål som Brier-skår, negativ log-sannsynlighet (NLL) og forventet kalibreringsfeil (ECE), samt reliability-diagrammer. Modellenes ytelse ved endringer i datafordelingen (distribution shift) bør også undersøkes.
Oppgaven kan gjøres i samarbeid med Forsvarets forskningsinstitutt (FFI). I så fall må kandidaten oppfylle FFIs krav til masterstudenter, som inkluderer at kandidaten må kunne sikkerhetsklareres. Ta kontakt hvis du har spørsmål om dette.