Fugu-MT 論文翻訳(概要): Static analysis of executable files by machine learning methods

論文の概要: Static analysis of executable files by machine learning methods

arxiv url: http://arxiv.org/abs/2007.07501v1
Date: Wed, 15 Jul 2020 06:15:15 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 05:28:55.894265
Title: Static analysis of executable files by machine learning methods
Title（参考訳）: 機械学習による実行ファイルの静的解析
Authors: Nikolay Prudkovskiy
Abstract要約: 本稿では,バイナリコンテンツの静的解析に基づいて,悪意のある実行ファイルを検出する方法について述べる。実行可能ファイルの異なる領域から抽出された前処理およびクリーニングデータのステージを分析する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper describes how to detect malicious executable files based on static analysis of their binary content. The stages of pre-processing and cleaning data extracted from different areas of executable files are analyzed. Methods of encoding categorical attributes of executable files are considered, as are ways to reduce the feature field dimension and select characteristic features in order to effectively represent samples of binary executable files for further training classifiers. An ensemble training approach was applied in order to aggregate forecasts from each classifier, and an ensemble of classifiers of various feature groups of executable file attributes was created in order to subsequently develop a system for detecting malicious files in an uninsulated environment.
Abstract（参考訳）: 本稿では,バイナリコンテンツの静的解析に基づいて,悪意のある実行ファイルを検出する方法について述べる。実行可能ファイルの異なる領域から抽出された前処理およびクリーニングデータのステージを分析する。バイナリ実行ファイルのサンプルを効果的に表現するために、特徴フィールド次元を削減し特徴特徴を選択する方法として、実行ファイルのカテゴリ属性を符号化する方法が検討されている。各分類器からの予測を集約するためにアンサンブルトレーニングアプローチが適用され、無絶縁環境で悪意のあるファイルを検出するシステムを開発するために、実行ファイル属性のさまざまな特徴群の分類器のアンサンブルが作成された。

関連論文リスト

Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2024-11-20T02:57:35Z)
Balancing Fairness and Accuracy in Data-Restricted Binary Classification [14.439413517433891]
本稿では,4つの実践シナリオ下での精度と公平性のトレードオフをモデル化する枠組みを提案する。 3つのデータセットの実験では、トレードオフを定量化するためのツールとして提案されたフレームワークの有用性が示されている。
論文参考訳（メタデータ） (2024-03-12T15:01:27Z)
Estimating class separability of text embeddings with persistent homology [1.9956517534421363]
本稿では、トポロジ的観点からテキストデータセットのクラス分離性を推定する教師なし手法を提案する。本手法を応用して, 組込みの分離性向上を図り, トレーニングプロセスが停止した場合の検知方法について述べる。その結果,本手法のクラス分離性の推定値と教師付き手法のクラス分離性の推定値が一致していることが示唆された。
論文参考訳（メタデータ） (2023-05-24T10:58:09Z)
Retrieval-Augmented Classification with Decoupled Representation [31.662843145399044]
そこで本研究では,KNN(Kk$-nearest-neighbor)に基づく拡張分類検索手法を提案する。分類と検索の共有表現がパフォーマンスを損なうことや,トレーニングの不安定化につながることが判明した。本手法は,幅広い分類データセットを用いて評価する。
論文参考訳（メタデータ） (2023-03-23T06:33:06Z)
Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文参考訳（メタデータ） (2023-02-03T02:40:54Z)
Class Introspection: A Novel Technique for Detecting Unlabeled Subclasses by Leveraging Classifier Explainability Methods [0.0]
潜在構造はデータセットの分析を行う上で重要なステップである。インスタンス説明手法を利用することで、既存の分類器を拡張して潜在クラスを検出することができる。本稿では,分類器を自動解析するパイプラインと,この手法による結果を対話的に探索するWebアプリケーションについても述べる。
論文参考訳（メタデータ） (2021-07-04T14:58:29Z)
Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文参考訳（メタデータ） (2021-06-11T13:03:33Z)
Fragments-Expert: A Graphical User Interface MATLAB Toolbox for Classification of File Fragments [0.3867363075280543]
Fragments-Expertは、ファイルフラグメントの分類のためのグラフィカルなユーザーインターフェイスツールボックスである。ファイルフラグメントから抽出された22のカテゴリをユーザに提供する。 7つの機械学習アルゴリズムで様々なファイルフォーマットの分類を行うことができる。
論文参考訳（メタデータ） (2020-07-22T08:03:02Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)
Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文参考訳（メタデータ） (2020-04-12T03:53:53Z)
New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
論文参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。