模型HMM偏好模型 / 隐马尔可夫偏好模型
隐马尔可夫偏好模型
一种基于隐马尔可夫模型的攻击预测概率框架，将攻击者行为模式作为隐状态，使用可行性掩码树建模动作参数，支持在线预测和模式切换适应。
时间轴 (近 90 天)
11月6日
论文提出的隐马尔可夫偏好模型将攻击者的活跃行为模式作为隐状态，每个模式下的动作规律定义在一棵“可行性掩码树”上，树的节点对应可执行动作，掩码根据当前状态动态屏蔽不可行的动作分支。
待验证50%
11月6日
该模型的同一个似然函数既用于计算下一步动作的预测分布，也用于在观测到动作后更新模式信念，并支持对部分观测动作前缀的在线实时推断。
待验证50%
11月6日
论文理论分析推导了三种保障：到达加权的节点级KL表达式、序列级对数损失界、统一回退保证。
待验证50%
11月6日
在CAGE 2基准上，过滤后的隐状态每步价值0.8纳特（nats）。
待验证50%
11月6日
在控制器切换后，该模型的损失在3步内开始下降，而循环基线需要10步。
待验证50%
11月6日
论文在此基准上比较HMM与循环神经网络基线，衡量指标为每步预测对数损失。
待验证50%
11月6日
该模型的实际部署仍需考虑计算开销与树结构的构建成本。
待验证50%
全部知识事实 (7)
待验证
论文提出的隐马尔可夫偏好模型将攻击者的活跃行为模式作为隐状态，每个模式下的动作规律定义在一棵“可行性掩码树”上，树的节点对应可执行动作，掩码根据当前状态动态屏蔽不可行的动作分支。
50%待验证该模型的同一个似然函数既用于计算下一步动作的预测分布，也用于在观测到动作后更新模式信念，并支持对部分观测动作前缀的在线实时推断。
50%待验证论文理论分析推导了三种保障：到达加权的节点级KL表达式、序列级对数损失界、统一回退保证。
50%待验证在CAGE 2基准上，过滤后的隐状态每步价值0.8纳特（nats）。
50%待验证在控制器切换后，该模型的损失在3步内开始下降，而循环基线需要10步。
50%待验证论文在此基准上比较HMM与循环神经网络基线，衡量指标为每步预测对数损失。
50%待验证该模型的实际部署仍需考虑计算开销与树结构的构建成本。
50%