論文の概要: A Survey of Machine Learning Methods and Challenges for Windows Malware Classification

• arxiv url: http://arxiv.org/abs/2006.09271v2
• Date: Sun, 15 Nov 2020 16:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 03:58:43.520944
• Title: A Survey of Machine Learning Methods and Challenges for Windows Malware Classification
• Title（参考訳）: Windows マルウェア分類における機械学習手法と課題
• Authors: Edward Raff, Charles Nicholas
• Abstract要約: 調査は、マルウェア問題に機械学習を適用する方法についてより詳しく学びたいサイバーセキュリティ実践者や、データサイエンティストにこの独特な複雑な領域における課題に対する必要な背景を提供することの両方に有用である。
• 参考スコア（独自算出の注目度）: 43.4550536920809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malware classification is a difficult problem, to which machine learning methods have been applied for decades. Yet progress has often been slow, in part due to a number of unique difficulties with the task that occur through all stages of the developing a machine learning system: data collection, labeling, feature creation and selection, model selection, and evaluation. In this survey we will review a number of the current methods and challenges related to malware classification, including data collection, feature extraction, and model construction, and evaluation. Our discussion will include thoughts on the constraints that must be considered for machine learning based solutions in this domain, and yet to be tackled problems for which machine learning could also provide a solution. This survey aims to be useful both to cybersecurity practitioners who wish to learn more about how machine learning can be applied to the malware problem, and to give data scientists the necessary background into the challenges in this uniquely complicated space.
• Abstract（参考訳）: マルウェアの分類は難しい問題であり、機械学習手法が何十年にもわたって適用されてきた。 しかし、データ収集、ラベリング、特徴生成と選択、モデル選択、評価など、機械学習システムの開発の全段階を通じて発生するタスクに特有の困難がいくつかあるため、進捗が遅いことが多い。 本調査では,データ収集,特徴抽出,モデル構築,評価など,マルウェア分類に関する現在の方法と課題について概説する。 私たちの議論には、このドメインの機械学習ベースのソリューションでは考慮すべき制約についての考えが含まれますが、機械学習がソリューションを提供する可能性のある問題には取り組んでいません。 この調査は、マルウェア問題に機械学習を適用する方法についてより深く学びたいサイバーセキュリティ実践者や、データサイエンティストにこの独特な複雑な領域における課題に対する必要な背景を与えるために有用である。

関連論文リスト

• Machine Unlearning for Traditional Models and Large Language Models: A Short Survey [11.539080008361662]
  機械学習は、データを削除し、ユーザーの要求に応じてモデルへの影響を減らすことを目的としている。 本稿では,従来のモデルとLarge Language Models(LLMs)の両方の非学習を分類し,検討する。
  論文  参考訳（メタデータ） (2024-04-01T16:08:18Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Deep learning and machine learning for Malaria detection: overview, challenges and future directions [0.0]
  本研究では、さまざまな機械学習および画像処理手法を用いて、マラリアの病気を検出し予測する。 そこで本研究では,マラリア検出に広く適用可能なスマートツールとして,ディープラーニング技術の可能性を見出した。
  論文  参考訳（メタデータ） (2022-09-27T10:33:00Z)
• Software Testing for Machine Learning [13.021014899410684]
  機械学習は騙されやすいことが示され、エラーや致命的な失敗に至る。 この状況は、特に安全クリティカルな応用において機械学習が広く使われていることを疑問視している。 この要約では、機械学習のためのソフトウェアテストの現状について論じる。
  論文  参考訳（メタデータ） (2022-04-30T08:47:10Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Challenges in Deploying Machine Learning: a Survey of Case Studies [11.028123436097616]
  この調査は、機械学習ソリューションをさまざまなユースケース、産業、アプリケーションにデプロイする、というレポートを公表した。 機械学習デプロイメントワークフローのステップに対する課題のマッピングによって、デプロイプロセスの各段階で、実践者が問題に直面していることが分かる。
  論文  参考訳（メタデータ） (2020-11-18T16:20:28Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。