XGBoost 모델을 위한 네트워크 침입 데이터셋 기반 머신 언러닝

출처: arXiv - 2606.19220v1

Overview

머신 언러닝(MU)은 훈련된 모델에서 특정 데이터 포인트를 삭제하는 데 필요한 전체 재학습 없이 활용되는 중요한 기술로 등장했습니다. 하지만 기존 MU 연구 대부분은 딥러닝과 이미지 데이터에 집중하고 있어 네트워크 침해 탐지(NI) 영역, 즉 표적 데이터를 기반으로 하는 분야에서 격차가 존재합니다. 본 연구는 XGBoost 모델에 대한 forget 접근법인 XGBoost-Forget를 도입하여 이 격차를 해소합니다. 이 접근법은 IoT-23과 GeNIS라는 두 개의 표적 NI 데이터셋을 사용해 모델 성능, 언러닝 효율, 잊혀짐 품질을 평가하는 데 여러 지표를 적용합니다. 결과는 XGBoost-Forget가 원본 모델과 유사한 예측 성능을 유지하면서도 훨씬 빠른 언러닝 속도를 제공함을 보여주며, 표적 NI 환경에서 MU의 잠재력을 입증합니다.

Key Contributions

주요 기여

본 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• cs.AI

Methodology

방법론

자세한 방법은 논문 전체를 참고하십시오.

Practical Implications

실용적 의미

이 연구는 cs.LG의 발전을 기여합니다.

Authors

저자

• Diana Magalhães
• Eva Maia
• João Vitorino
• Isabel Praça

Paper Information

논문 정보

• arXiv ID: 2606.19220v1
• 분야: cs.LG, cs.AI
• 발행일: June 17, 2026
• PDF: PDF 다운로드