🤖 machine learning

MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection

यह शोध पत्र MARGIN का प्रस्ताव करता है, जो एक मीट्रिक-आधारित ढांचा है जो एडेप्टिव मार्जिन मीट्रिक लर्निंग और हाइपरस्फेरिकल प्रोटोटाइप मॉडलिंग का लाभ उठाकर सॉफ्टवेयर भेद्यता (वल्नरेबिलिटी) डिटेक्शन में फ्रीक्वेंसी और कठिनाई के असंतुलन को संबोधित करता है ताकि एम्बेडिंग स्पेस में ज्यामितीय विकृतियों को सुधारा जा सके, जिससे असंतुलित डेटासेट पर बेहतर वर्गीकरण प्रदर्शन और मजबूती प्राप्त की जा सके।

मूल लेखक: Yuteng Zhang, Huifang Ma, Jiahui Wei, Qingqing Li, Yafei Yang

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuteng Zhang, Huifang Ma, Jiahui Wei, Qingqing Li, Yafei Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ शोध पत्र "MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection" का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।

बड़ी समस्या: "भीड़ वाला कमरा" और "शर्मीला मेहमान"

कल्पना कीजिए कि आप एक रोबोट को कंप्यूटर कोड में सुरक्षा खामियों (vulnerabilities) को पहचानने के लिए प्रशिक्षित कर रहे हैं। आप उसे हज़ारों उदाहरण दिखाते हैं। लेकिन आपके ट्रेनिंग डेटा के साथ दो बड़ी समस्याएँ हैं:

आवृत्ति असंतुलन (भीड़ बनाम शर्मीला मेहमान):
आप रोबोट को जो भी कोड दिखाते हैं, उसमें से अधिकांश "सुरक्षित" (non-vulnerable) होता है। असुरक्षित कोड के बीच में भी, कुछ प्रकार के बग (जैसे SQL Injection) हज़ारों बार दिखाई देते हैं, जबकि कुछ दुर्लभ, खतरनाक बग केवल कुछ ही बार आते हैं।

उपमा: कल्पना कीजिए कि एक कक्षा है जहाँ 90% छात्र लाल शर्ट पहने हुए हैं, और केवल कुछ ही नीली शर्ट पहने हुए हैं। यदि आप शिक्षक से नीली शर्ट की पहचान करने के लिए कहते हैं, तो वे संभवतः सभी के लिए "लाल" का अनुमान लगाएंगे क्योंकि लाल रंग बहुत आम है। रोबोट सामान्य बग्स की ओर पक्षपाती हो जाता है और दुर्लभ बग्स को अनदेखा कर देता है।

कठिनाई असंतुलन (आसान पहेली बनाम उलझी हुई पहेली):
भले ही आपके पास प्रत्येक बग प्रकार की समान संख्या होती, कुछ बग्स को पहचानना आसान होता है (वे सभी एक जैसे दिखते हैं), जबकि अन्य बग्स उलझे हुए होते हैं और हर बार अलग दिखते हैं।

उपमा: कल्पना कीजिए कि आप किसी को जानवरों को पहचानना सिखा रहे हैं। "कुत्ते" आसान हैं क्योंकि वे सभी कुछ हद तक समान दिखते हैं। लेकिन "गिरगिट" कठिन हैं क्योंकि वे लगातार रंग और आकार बदलते रहते हैं। यदि आपका रोबोट एक साथ दोनों को सीखने की कोशिश करता है, तो वह उलझे हुए "गिरगिट" वाले बग्स से भ्रमित हो जाएगा और उन्हें ठीक से नहीं सीख पाएगा।

पुराना तरीका: एक कुंद हथौड़ा (Blunt Hammer)

पिछले तरीकों ने इसे बस यह कहकर ठीक करने की कोशिश की कि "दुर्लभ बग्स पर अधिक ध्यान दें!" या "सामान्य बग्स पर उतना भरोसा न करें!"

दोष: शोध पत्र का तर्क है कि यह एक बिखरे हुए कमरे को एक कुंद हथौड़े से ठीक करने की कोशिश करने जैसा है। यह यह नहीं समझता कि रोबोट क्यों भ्रमित है। यह रोबोट की समझ के आकार (shape) को नहीं देखता है।

नया विचार: MARGIN (एक स्मार्ट ऑर्गनाइज़र)

लेखक MARGIN नामक एक नया तरीका प्रस्तावित करते हैं। केवल नियम बदलने के बजाय, वे उस ज्यामिति (geometry) (आकार और लेआउट) को बदलते हैं जिससे रोबक अपने दिमाग में जानकारी को व्यवस्थित करता है।

यहाँ बताया गया है कि MARGIN कैसे काम करता है, चरण-दर-चरण:

1. हाइपरस्फीयर (एक विशाल गेंद)

कल्पना कीजिए कि रोबोट का दिमाग एक विशाल, अदृश्य गेंद (हाइपरस्फीयर) है। इस गेंद की सतह पर कोड के हर टुकड़े को एक बिंदु (dot) के रूप में बदल दिया जाता है।

लक्ष्य: सभी "सुरक्षित" कोड के बिंदु एक कोने में एक साथ होने चाहिए। सभी "SQL Injection" के बिंदु दूसरे कोने में एक साथ होने चाहिए, इत्यादि।
समस्या: पहले बताई गई असंतुलन के कारण, "दुर्लभ बग" के बिंदु हर जगह बिखरे हुए हैं, और "सामान्य बग" के बिंदु बहुत अधिक जगह घेर रहे हैं, जिससे दुर्लभ बग्स बाहर धकेल दिए जाते हैं।

2. वोरोनोई सेल्स (क्षेत्र मानचित्र - Territory Maps)

कल्पना कीजिए कि आप गेंद पर रेखाएँ खींचकर क्षेत्रों (territories) को विभाजित कर रहे हैं। प्रत्येक क्षेत्र एक विशिष्ट बग प्रकार का है। यदि कोड का कोई बिंदु "SQL Injection" क्षेत्र में आता है, तो रोबोट कहता है, "यह एक SQL Injection है।"

समस्या: पुराने तरीकों में, "दुर्लभ बग" का क्षेत्र बड़ा और अस्त-व्यस्त है क्योंकि बिंदु बिखरे हुए हैं। "सामान्य बग" का क्षेत्र छोटा और सुव्यवस्थित है। इसके कारण रोबोट सीमाओं पर गलतियाँ करता है।

3. "डिस्टॉर्शन रीजन" (ओवरलैप ज़ोन)

जब दुर्लभ बग बहुत अधिक बिखरे होते हैं, तो उनके बिंदु अन्य बग्स के क्षेत्रों में फैल जाते हैं।

उपमा: एक अव्यवस्थित पार्टी की कल्पना करें जहाँ "नीली शर्ट" वाला समूह इतना बिखरा हुआ है कि उनमें से कुछ लोग "लाल शर्ट" वाले हिस्से में खड़े हैं। रोबोट भ्रमित हो जाता है और सोचता है कि एक नीली शर्ट वास्तव में लाल है। इस भ्रम को डिस्टॉर्शन रीजन (Distortion Region) कहा जाता है।

4. MARGIN समाधान (एक अनुकूल बाड़ - Adaptive Fence)

MARGIN इसे बिंदुओं के प्रत्येक समूह के चारों ओर स्मार्ट, लचीली बाड़ (fences) बनाकर ठीक करता है।

गतिशील बाड़ (Dynamic Fences): यह एक ही आकार की बाड़ का उपयोग नहीं करता है।
- बिखरे हुए, दुर्लभ बग्स के लिए, यह एक थोड़ा बड़ा, अधिक लचीला घेरा बनाता है ताकि सभी बिखरे हुए बिंदुओं को पकड़ा जा सके, लेकिन यह इसे इतना कस देता है कि वे अन्य क्षेत्रों में न फैलें।
- सघन, सामान्य बग्स के लिए, यह घेरे को तंग रखता है।
परिणाम: रोबोट यह सीखता है कि "दुर्लभ बग" के बिंदुओं को उनके अपने केंद्र के करीब और "सामान्य बग" के बिंदुओं से दूर कैसे रखा जाए। यह बिखरे हुए बिंदुओं को उनके विशिष्ट क्षेत्र के साथ संरेखित करता है, जिससे ओवरलैप (डिस्टॉर्शन) समाप्त हो जाता है।

यह क्यों महत्वपूर्ण है (परिणाम)

लेखकों ने वास्तविक दुनिया के डेटासेट्स (BigVul, MegaVul, ReposVul) पर MARGIN का परीक्षण किया, जिसमें हजारों वास्तविक सॉफ्टवेयर कमजोरियां शामिल थीं।

बेहतर सटीकता: MARGIN ने लगातार अन्य शीर्ष तरीकों को पछाड़ दिया। यह उन दुर्लभ, खतरनाक बग्स को खोजने में बहुत बेहतर था जिन्हें अन्य रोबोट मिस कर देते थे।
स्थिरता: यह केवल किस्मत का खेल नहीं था; इसने एक बहुत ही संगठित, संरचित "दिमाग" बनाया जहाँ विभिन्न बग प्रकार स्पष्ट रूप से अलग थे।
व्याख्यात्मकता (Interpretability): क्योंकि यह तरीका ज्यामिति (आकार और दूरी) पर आधारित है, हम वास्तव में देख और समझ सकते हैं कि रोबोट निर्णय क्यों ले रहा है। यह कोई "ब्लैक बॉक्स" नहीं है; यह एक सुव्यवस्थित मानचित्र है।

एक वाक्य में सारांश

MARGIN कंप्यूटर को सॉफ़्टवेयर बग खोजने का सिखाने का एक नया तरीका है, जो एक ज्यामितीय मानचित्र पर उन्हें व्यवस्थित करने के लिए लचीली, कस्टम-साइज़ की सीमाओं का उपयोग करता है, ताकि यह सुनिश्चित हो सके कि दुर्लभ और कठिन बग, सामान्य बगों की भीड़ में खो न जाएं।

तकनीकी सारांश: MARGIN – असंतुलित भेद्यता पहचान के लिए मार्जिन-जागरूक नियमित ज्यामिति (Margin-Aware Regularized Geometry)

1. समस्या विवरण

यह शोध पत्र वास्तविक दुनिया के परिदृश्यों में सॉफ्टवेयर भेद्यता (vulnerability) पहचान की महत्वपूर्ण चुनौती को संबोधित करता है, जहाँ डीप लर्निंग मॉडल दो अलग-अलग लेकिन संचयी (compounding) रूपों के डेटा असंतुलन का सामना करते हैं:

आवृत्ति असंतुलन (Frequency Imbalance): भेद्यता डेटासेट में एक गंभीर 'लॉन्ग-टेल्ड' वितरण (long-tailed distribution) होता है। कुछ कॉमन वीकनेस एन्यूमरेशन (CWE) श्रेणियाँ (जैसे, CWE-79, CWE-89) डेटा पर हावी रहती हैं, जबकि कई अन्य (जैसे, CWE-400, CWE-98) दुर्लभ होती हैं। मानक लॉस फंक्शन सभी नमूनों के साथ समान व्यवहार करते हैं, जिससे मॉडल बहुसंख्यक वर्गों (majority classes) की ओर पक्षपाती हो जाता है और अल्पसंख्यक भेद्यताओं की उपेक्षा करता है।
कठिनाई असंतुलन (Difficulty Imbalance): आवृत्ति के अलावा, विभिन्न CWE श्रेणियों में अंतर्निहित सीखने के स्तर की भिन्नता होती है। उच्च संरचनात्मक विविधता वाली भेद्यताएँ (जैसे, CWE-119, जिसमें स्टैक/हीप ओवरफ्लो और ऑफ-बाय-वन त्रुटियाँ शामिल हैं) फीचर रिप्रजेंटेशन में उच्च इंट्रा-क्लास वेरिएंस प्रदर्शित करती हैं, जिससे उन्हें सीखना उन श्रेणियों की तुलना में कठिन हो जाता है जिनमें दोहराव वाले पैटर्न होते हैं (जैसे, CWE-415)।

लेखक तर्क देते हैं कि मौजूदा विधियाँ मुख्य रूप से आवृत्ति असंतुलन (रीसैंपलिंग या री-वेटिंग के माध्यम से) को संबोधित करती हैं, लेकिन वे कठिनाई असंतुलन को ध्यान में रखने में विफल रहती हैं। वे इन मुद्दों को एम्बेडिंग ज्योमेट्री (embedding geometry) के दृष्टिकोण से पुनर्व्याख्या करते हैं, यह देखते हुए कि दोनों असंतुलन हाइपरस्फेरिकल रिप्रजेंटेशन स्पेस में ज्यामितीय विकृति (geometric distortions) उत्पन्न करते हैं। विशेष रूप से, अल्पसंख्यक या कठिन वर्ग अपने प्रोटोटाइप के आसपास मजबूती से अभिसरित (converge) नहीं हो पाते हैं, जिससे उनका प्रोबेबिलिटी मास क्षेत्र अन्य वर्गों के वोरोनोई सेल्स (Voronoi cells) में प्रवेश कर जाता है। यह "विकृति क्षेत्र" (distortion region) गलत वर्गीकरण और अस्थिर निर्णय सीमाओं का कारण बनता है।

2. कार्यप्रणाली: MARGIN

प्रस्तावित ढांचा, MARGIN (Margin-Aware Regularized Geometry for Imbalanced Vulnerability DetectioN), एक मेट्रिक-आधारित दृष्टिकोण है जो विभेदक भेद्यता रिप्रजेंटेशन सीखने के लिए एक यूनिट हाइपरस्फीयर पर कार्य करता है। यह हाइपरस्फेरिकल प्रोटोटाइप मॉडलिंग के साथ एडेप्टिव मार्जिन लर्निंग को एकीकृत करता है।

मुख्य घटक:

हाइपरस्फेरिकल एम्बेडिंग स्पेस:
यह विधि कोसाइन सॉफ्टमैक्स लॉस (Cosine Softmax Loss) का उपयोग करती है जहाँ फीचर्स और क्लासिफायर वेट्स $\ell_2$ -नॉर्मलाइज्ड होते हैं, जिससे वे एक यूनिट हाइपरस्फीयर $S^{d-1}$ पर स्थित होते हैं। वर्गों को प्रोटोटाइप द्वारा दर्शाया जाता है, और लक्ष्य नमूना एम्बेडिंग्स को उनके संबंधित प्रोटोटाइप के साथ संरेखित करना है जबकि कोणीय पृथक्करण (angular separation) बनाए रखना है।
vMF वितरण के साथ ज्यामितीय मॉडलिंग:
वर्ग वितरण के संकेंद्रण (concentration) को मापने के लिए, लेखक एम्बेडिंग्स को वॉन मिसेस-फिशर (vMF) वितरण का उपयोग करके मॉडल करते हैं। संकेंद्रण पैरामीटर $\kappa_i$ यह अनुमान लगाता है कि नमूने एक क्लास मीन के चारों ओर कितनी मजबूती से क्लस्टर होते हैं।
- वोरोनोई सेल्स (Voronoi Cells): आदर्श संतुलित स्थितियों (न्यूरल कोलैप्स) के तहत, वर्ग एक इक्वि-एंगुलर टाइट फ्रेम (ETF) संरचना बनाते हैं, जो स्फीयर को समान वोरोनोई सेल्स में विभाजित करता है।
- विकृति क्षेत्र (Distortion Region): असंतुलित सेटिंग्स में, एक वर्ग का प्रोबेबिलिटी मास (जिसे उसके vMF एपेक्स एंगल $\theta^{vMF}_i$ द्वारा परिभाषित किया जाता है) अक्सर उसके संबंधित वोरोनोई सेल ( $\theta^{cell}$ ) से अधिक हो जाता है। वह क्षेत्र जहाँ यह मास अन्य वर्गों के निर्णय क्षेत्रों में प्रवेश करता है, "विकृति क्षेत्र" कहलाता है, जो सीधे फाल्स पॉजिटिव और फाल्स नेगेटिव का कारण बनता है।
एडेप्टिव मार्जिन तंत्र (Adaptive Margin Mechanism):
विकृति क्षेत्र को कम करने के लिए, MARGIN प्रत्येक वर्ग के लिए एक डायनेमिक कोणीय मार्जिन $m_i$ पेश करता है।
- मार्जिन की गणना वर्ग के vMF एपेक्स एंगल और आदर्श वोरोनोई एपेक्स एंगल के बीच के अंतर के आधार पर की जाती है: $m_i = \max(\frac{\theta^{vMF}_i - \theta^{cell}}{2}, \dots)$ ।
- यह तंत्र गतिशील रूप से बाधा (constraint) को समायोजित करता है: उच्च फैलाव (उच्च कठिनाई या निम्न आवृत्ति) वाले वर्गों को बड़े मार्जिन दिए जाते हैं ताकि उनके प्रोबेबिलिटी मास को उनके वोरोनोई सेल्स के भीतर वापस लाया जा सके, जबकि सघन (compact) वर्गों को छोटे मार्जिन दिए जाते हैं।
कॉन्सेंट्रेशन-अवेयर लॉजिट स्केलिंग (Concentration-Aware Logits Scaling):
ढांचे में लॉजिट्स के लिए एक स्केलिंग फैक्टर $s_i$ शामिल है, जो क्लास कॉन्सेंट्रेशन $\kappa_i$ के अनुकूल है।
- कम संकेंद्रण (उच्च वेरिएंस, सीखने में कठिन) वाले वर्गों को उनके निर्णय सीमाओं को तेज करने और ग्रेडिएंट सिग्नल को बढ़ाने के लिए बड़े स्केलिंग फैक्टर्स दिए जाते हैं।
- उच्च संकेंद्रण वाले वर्गों को छोटे फैक्टर्स दिए जाते हैं ताकि वे प्रशिक्षण प्रक्रिया पर हावी न हों।
- यह लॉग-कॉन्सेंट्रेशन स्पेस में एक सॉफ्ट रैंकिंग रणनीति के माध्यम से प्राप्त किया जाता है।
जियोमेट्रिक मीडियन के साथ इन्फरेंस (Inference with Geometric Medians):
इन्फरेंस के दौरान, MARGIN प्रत्येक वर्ग के लिए नॉर्मलाइज्ड ट्रेनिंग एम्बेडिंग्स के जियोमेट्रिक मीडियन की गणना करके डेटा-संचालित प्रोटोटाइप बनाता है, बजाय इसके कि केवल सीखे गए वेट वेक्टर्स पर निर्भर रहा जाए। यह अधिक मजबूत प्रोटोटाइप प्रदान करता है जो अनुभवजन्य फीचर वितरण को बेहतर ढंग से दर्शाते हैं।

3. प्रमुख योगदान

यह शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

असंतुलन की ज्यामितीय पुनर्व्याख्या: लेखक आवृत्ति और कठिनाई असंतुलन पर पुनर्विचार करते हैं, एम्बेडिंग ज्योमेट्री के लेंस के माध्यम से उनके प्रभावों का विश्लेषण करते हैं। वे प्रदर्शित करते हैं कि ये असंतुलन क्लास-कंडीशनल प्रोबेबिलिटी मास रीजन और उनके आदर्श वोरोनोई निर्णय क्षेत्रों के बीच मिसअलाइनमेंट के रूप में प्रकट होते हैं।
MARGIN ढांचा: वे एक एकीकृत मेट्रिक-लर्निंग फ्रेमवर्क प्रस्तावित करते हैं जो दोनों प्रकार के असंतुलन को एक साथ कम करता है। एडेप्टिव मार्जिन (प्रोबेबिलिटी मास को वोरोनोई सेल्स के साथ संरेखित करने के लिए) और कॉन्सेंट्रेशन-अवेयर स्केलिंग (ग्रेडिएंट योगदान को संतुलित करने के लिए) को एकीकृत करके, MARGIN जटिल रीसैंपलिंग के बिना निर्णय सीमाओं को स्थिर करता है।
अनुभवजन्य सत्यापन (Empirical Validation): सार्वजनिक डेटासेट्स (BigVul, MegaVul, ReposVul) पर व्यापक प्रयोगों से पता चलता है कि MARGIN ग्राफ-आधारित विधियों (ReVeal, LIVABLE) और हालिया रिप्रजेंटेशन लर्निंग मॉडल्स (HCL-VC, CLeVeR) सहित मजबूत बेसलाइन्स को लगातार पछाड़ता है, विशेष रूप से फाइन-ग्रेन्ड CWE वर्गीकरण और दुर्लभ वर्गों पर।

4. प्रयोगात्मक परिणाम

मूल्यांकन विभिन्न पैमानों और लॉन्ग-टेल्ड वितरण वाले तीन डेटासेट्स पर किया गया। मुख्य निष्कर्ष इस प्रकार हैं:

प्रदर्शन लाभ: MARGIN ने सभी डेटासेट्स पर स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त किए। BigVul पर, इसने CWE वर्गीकरण के लिए 86.57% का बाइनरी F1 और 70.72% का मैक्रो-F1 प्राप्त किया, जो अगले सर्वश्रेष्ठ बेसलाइन (CLeVeR) से मैक्रो-F1 में 7 प्रतिशत अंक से अधिक आगे है।
दुर्लभ वर्गों पर मजबूती: MegaVul डेटासेट में, जो गंभीर असंतुलन प्रस्तुत करता है, MARGIN ने 51.06% का बाइनरी F1 और 34.65% का मैक्रो-F1 प्राप्त किया, जो उन बेसलाइन्स की तुलना में काफी बेहतर है जो दुर्लभ CWE प्रकारों के साथ संघर्ष कर रहे थे।
एब्लेशन स्टडीज (Ablation Studies): एडेप्टिव मार्जिन या एडेप्टिव लॉजिट स्केलिंग को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि होती है कि दोनों तंत्र आवश्यक हैं। मार्जिन ने विशेष रूप से प्रिसिजन और रिकॉल के बीच संतुलन में सुधार किया, जबकि स्केलिंग ने अल्पसंख्यक वर्गों के लिए लर्निंग डायनेमिक्स को स्थिर किया।
ज्यामितीय विश्लेषण: केस स्टडीज ने प्रदर्शित किया कि MARGIN सफलतापूर्वक "विकृति क्षेत्र" (FPR/FNR डायनेमिक्स के माध्यम से मापा गया) को कम करता है और एम्बेडिंग स्पेस को एक स्थिर, अच्छी तरह से अलग किए गए ETF संरचना की ओर ले जाता है, जैसा कि बेहतर क्लस्टरिंग मेट्रिक्स (NMI, ARI) और कम ग्रैम मैट्रिक्स कंडीशन नंबर से सिद्ध होता है।

5. महत्व और दावे

शोध पत्र का दावा है कि MARGIN भेद्यता पहचान में असंतुलन के लिए एक सिद्धांतिक ज्यामितीय व्याख्या प्रदान करता है। एम्बेडिंग स्पेस को स्पष्ट रूप से मॉडल करके और प्रोबेबिलिटी मास को निर्णय क्षेत्रों के साथ संरेखित करने के लिए ज्यामिति को रेगुलराइज करके, यह विधि न केवल वर्गीकरण सटीकता बल्कि मॉडल की मजबूती (robustness) और व्याख्यात्मकता (interpretability) में भी सुधार करती है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण केवल डेटा री-वेटिंग के माध्यम से लक्षण का उपचार करने के बजाय, असंतुलित सेटिंग्स में बायस (bias) के मूल कारण—एम्बेडिंग स्पेस की ज्यामितीय विकृति—को संबोधित करता है। वे नोट करते हैं कि हालांकि वर्तमान मूल्यांकन डेटा उपलब्धता के कारण C/C++ डेटासेट्स तक सीमित है, फिर भी ज्यामितीय ढांचा बैकबोन-अज्ञेय (backbone-agnostic) है और अन्य भाषाओं के लिए सैद्धांतिक रूप से लागू करने योग्य है। यह कार्य व्यावहारिक असंतुलन हैंडलिंग और सैद्धांतिक मैनिफोल्ड लर्निंग के बीच के अंतर को पाटता है, जो सुरक्षा-महत्वपूर्ण भेद्यता पहचान प्रणालियों के लिए अधिक स्थिर आधार प्रदान करता है।