arXiv cs.CL· Ferry Afit Kurniawan, Kazushi Okamoto, Koki Karube, Kei Harada, Atsushi Shibata·· 2 天前AI 评分22
基于 LLM 的网络安全推文分类弱标注：一种教师-学生框架
LLM-Based Weak Annotation for Cybersecurity Tweet Classification: A Teacher-Student Framework
AI 导读
研究提出一种 Teacher-Student 弱监督框架，用选定的 LLM 作为 Teacher 为未标注的网络安全推文生成弱标签，从而无需大规模人工标注即可训练网络安全专用 PLM。实验显示，仅用 LLM 生成标签训练的 PLM 在所有评估架构上 F1 均超过 0.92，与全人工监督模型的差距在 3 个百分点以内。
正文 · AI 翻译
摘要：网络威胁情报（CTI）依赖于及时发现新兴威胁，使组织和安全分析师能够支持态势感知和决策。X（原 Twitter）等社交媒体平台已成为有价值的 CTI 来源，因为漏洞和攻击活动往往在正式报告发布之前就已在其中被讨论。然而，社交媒体上网络安全讨论的快速增长所产生的内客已超出领域专家实际能够审阅和标注的数量，使得标注数据成为开发监督学习方法的主要瓶颈。尽管大语言模型（LLM）在其他领域已展现出作为弱标注器的潜力，但其在网络安全推文分类以及下游训练领域专用预训练语言模型（PLM）方面的有效性仍未被充分探索。为应对这一挑战，我们提出了一种师生弱监督框架，其中选定的 LLM 充当教师，为未标注的网络安全推文生成弱标签，从而无需大规模人工标注即可训练网络安全专用 PLM。实验结果表明，仅使用 LLM 生成标签训练的 PLM 在所有评估架构上均持续达到 0.92 以上的 F1 分数，与完全人工监督的模型相差不超过 3 个百分点。这些发现表明，当专家标注资源有限时，基于 LLM 的弱标注为构建网络安全专用训练数据提供了一种实用的替代方案。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21254 [cs.CL] |
| （或 arXiv:2610.21254v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21254 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 期刊 参考： | 第 14 届软计算与智能系统国际会议暨第 27 届先进智能系统国际研讨会联合会议（SCIS-ISIS 2026） |
提交历史
来自：Kazushi Okamoto [查看电子邮件]
[v1]
2026年10月15日星期四 04:48:15 UTC（216 KB）
来源：arXiv cs.CL · arxiv.org