【每日视野】2016-08-26

本文探讨了FM(Factorization Machine)与FFM(Field-aware Factorization Machine)的工作原理及其优势。FM通过引入交叉项改进了传统的LR模型,并能够对未见数据进行合理预测。FFM进一步引入了域的概念,限制了特征之间的交互。文中还提到了FM与LR的结合方式,类似于GBDT与LR的融合。

fm, ffm

fm相对于一般的lr,它的好处在于
1. 引入了交叉项;
2. 对一些从未见过的例子也能做出预测。比如:以前只有女性看化妆品的例子,现在要求男性看化妆品的概率。 理论上讲,如果完全拟合,两个隐向量乘出来得到的值应该也是0,但是由于正则项的存在,就能得到一个合理的值。

ffm就是加入了Field(域)的概念,同一个域内的特征不会互相叉乘。

fm的隐向量如果乘出来系数很高,那么可以让lr去加入这个交叉特征,这有点类似于GBDT与LR的融合。

附两个介绍FM的文章链接
http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html
http://www.52caml.com/head_first_ml/ml-chapter1-regression-family/

xgboost

xgboost的有个参数是min_child_weight, 那么它所谓的hessian值究竟意义何在?
每次更新的权重是和hessian值有关,但是叶子上的score并不等于hessian值,我的理解是这里应该是min_child_weight = score * num_of_samples,所以这里还没想明白。

附相关链接
1. 另一个人也问了hessian的问题
2. chentq的ppt
3. xgboost 浅入浅出
4. xgboost调参指南

内容概要:本文详细记录了对一个Android ARM64静态ELF文件中字符串加密机制的逆向分析过程。该ELF文件的所有字符串均被加密,无法通过常规strings命令或IDA直接识别。作者通过分析发现,加密字符串存储在.rodata段,其解密所需信息(包括密文地址、长度和16位密钥)保存在.data.rel.ro段的40字节描述符中。核心解密函数sub_10F408采用自反的双pass流密码算法,结合固定密钥KEY_TERM(由.data段24字节数据计算得出),实现字节级非线性、位置与长度相关的加密。文章还复现了完整的Python解密脚本,并揭示了该保护机制的本质为代码混淆而非强加密,最终成功批量解密全部956条字符串,暴露程序真实行为,如shell命令模板、设备标识篡改、网络重置等操作。此外,文中还提及未启用的自定义壳框架及其反dump设计。; 适合人群:具备逆向工程基础的安全研究人员、二进制分析人员及对ELF保护技术感兴趣的开发者。; 使用场景及目标:①学习ELF二进制中字符串加密的典型实现方式与逆向突破口;②掌握从结构识别、函数追踪到算法还原的完整逆向流程;③理解“绑定二进制”的完整性校验设计及其局限性;④实践编写IDAPython脚本自动化提取与解密敏感数据。; 阅读建议:此资源以实战案例驱动,不仅展示技术细节,更强调逆向思维与验证方法,建议读者结合IDA调试环境,逐步跟随文中步骤进行动态分析与算法验证,深入理解每一步的推理依据。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值