Daniel Arp von der TU Berlin stellt in diesem Mitschnitt von der USENIX Security 22 eine prämierte Forschungsarbeit vor, die zehn übliche Fallstricke und deren Häufigkeit sowie Auswirkungen beim Einsatz von maschinellem Lernen in Sicherheitsanwendungen aufzeigt und Empfehlungen zu deren Vermeidung nennt. Zu den gezeigten zentralen Ergebnissen gehört, dass Sampling Bias (Stichprobenverzerrung) und Data Snooping (p-Hacking) die am häufigsten gefundenen Probleme ausmachen und dass selbst Top-Forschende an Fallstricken scheitern. (jr)
Link zum Video
Link zu den Präsentationsfolien
Link zum Paper, Updates&Fallsticken
