論文の概要: DeepIntent: ImplicitIntent based Android IDS with E2E Deep Learning architecture

• arxiv url: http://arxiv.org/abs/2010.08607v1
• Date: Fri, 16 Oct 2020 19:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:49:52.618457
• Title: DeepIntent: ImplicitIntent based Android IDS with E2E Deep Learning architecture
• Title（参考訳）: DeepIntent: InlicitIntentベースのAndroid IDSとE2Eディープラーニングアーキテクチャ
• Authors: Mohit Sewak, Sanjay K. Sahay and Hemant Rathore
• Abstract要約: AndroidのImplicit Intentは、悪意のないアプリケーションと悪質なアプリケーションを区別するための洞察を提供する。 暗黙の入力とエンドツーエンドのディープラーニングアーキテクチャのみを用いて侵入検知システムを構築する。 我々は、Drebinデータセット上のエリアアンダーカーブ統計値0.81と77.2%の精度と偽陽性率0.11の精度を得た。
• 参考スコア（独自算出の注目度）: 1.933681537640272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Intent in Android plays an important role in inter-process and intra-process communications. The implicit Intent that an application could accept are declared in its manifest and are amongst the easiest feature to extract from an apk. Implicit Intents could even be extracted online and in real-time. So far neither the feasibility of developing an Intrusion Detection System solely on implicit Intent has been explored, nor are any benchmarks available of a malware classifier that is based on implicit Intent alone. We demonstrate that despite Intent is implicit and well declared, it can provide very intuitive insights to distinguish malicious from non-malicious applications. We conducted exhaustive experiments with over 40 different end-to-end Deep Learning configurations of Auto-Encoders and Multi-Layer-Perceptron to create a benchmark for a malware classifier that works exclusively on implicit Intent. Using the results from the experiments we create an intrusion detection system using only the implicit Intents and end-to-end Deep Learning architecture. We obtained an area-under-curve statistic of 0.81, and accuracy of 77.2% along with false-positive-rate of 0.11 on Drebin dataset.
• Abstract（参考訳）: AndroidのIntentは、プロセス間およびプロセス間通信において重要な役割を果たす。 アプリケーションが受け入れる可能性のある暗黙のIntentはそのマニフェストで宣言され、apkから抽出する最も簡単な機能のひとつです。 Implicit Intentsはオンラインでリアルタイムで抽出することもできる。 これまでのところ、暗黙のIntentのみに基づく侵入検知システムの実現可能性や、暗黙のIntentのみに基づくマルウェア分類器のベンチマークは検討されていない。 Intentは暗黙的で明確に宣言されているが、悪意のないアプリケーションと悪質なアプリケーションを区別するための非常に直感的な洞察を提供することができる。 自動エンコーダとMulti-Layer-Perceptronの40以上のエンドツーエンドのDeep-to-end Learning構成を用いて、暗黙のIntentのみで動作するマルウェア分類器のベンチマークを作成するための徹底的な実験を行った。 実験の結果を用いて,暗黙のインテントとエンドツーエンドのディープラーニングアーキテクチャのみを用いた侵入検知システムを構築する。 また,drebinデータセット上では,0.81,77.2%,偽陽性率は0.11であった。

関連論文リスト

• All Labels Together: Low-shot Intent Detection with an Efficient Label Semantic Encoding Paradigm [48.02790193676742]
  インテント検出タスクでは、インテントラベルから意味のあるセマンティック情報を活用することは、いくつかのシナリオで特に有用である。 本稿では,全てのラベル候補に対する入力音声の比較が可能なエンドツーエンドのワン・ツー・オールシステムを提案する。 数発のインテント検出タスクの実験では、トレーニングリソースが極めて少ない場合、One-to-Allが特に有効であることが示されている。
  論文  参考訳（メタデータ） (2023-09-07T08:50:45Z)
• Selective In-Context Data Augmentation for Intent Detection using Pointwise V-Information [100.03188187735624]
  PLMとPVI(pointwise V-information)に基づく新しい手法を導入し,モデル学習におけるデータポイントの有用性を計測する。 提案手法はまず,学習データの小さなシード上でPLMを微調整し,与えられた意図に対応する発話を新たに生成する。 そこで本手法は,大規模言語モデルの表現力を活用し,多様な学習データを生成する。
  論文  参考訳（メタデータ） (2023-02-10T07:37:49Z)
• Discovering New Intents Using Latent Variables [51.50374666602328]
  本稿では,意図の割り当てを潜伏変数として扱う意図を発見するための確率的フレームワークを提案する。 E-step, we conducting intents and explore the intrinsic structure of unlabeled data by the rear of intent assignments。 M段階において、ラベル付きデータの識別を最適化することにより、既知の意図から伝達される事前知識の忘れを緩和する。
  論文  参考訳（メタデータ） (2022-10-21T08:29:45Z)
• Few-Shot Intent Detection via Contrastive Pre-Training and Fine-Tuning [27.154414939086426]
  コントラスト付き事前学習と微調整を併用した簡易かつ効果的に数発のインテント検出方式を提案する。 まず、収集した意図データセットに基づいて、自己教師付きコントラスト事前学習を行い、意味論的に類似した発話を識別することを暗黙的に学習する。 次に、教師付きコントラスト学習とともに、数発のインテント検出を行い、同じインテントから発声を明示的に引き出す。
  論文  参考訳（メタデータ） (2021-09-13T22:28:58Z)
• SLIM: Explicit Slot-Intent Mapping with BERT for Joint Multi-Intent Detection and Slot Filling [26.037061005620263]
  タスク指向システムにおいて、発話レベルのインテント検出とトークンレベルのスロットフィリングは自然言語理解(NLU)のための2つの重要なタスクである。 本稿では,BERTに基づくマルチインテント検出とスロットフィリングを共同で学習する,SLIMと呼ばれるマルチインテントNLUフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T11:33:39Z)
• Continuous representations of intents for dialogue systems [10.031004070657122]
  最近まで、焦点は固定された、離散的な多くの意図を検出することであった。 近年,ゼロショット学習の文脈において,無意識の意図検出に関するいくつかの研究が行われている。 本稿では,専門家のIntent Spaceに意図を連続的に配置する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-08T15:08:20Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)
• Efficient Intent Detection with Dual Sentence Encoders [53.16532285820849]
  本稿では,USE や ConveRT などの事前訓練された二重文エンコーダによるインテント検出手法を提案する。 提案するインテント検出器の有用性と適用性を示し,完全なBERT-Largeモデルに基づくインテント検出器よりも優れた性能を示す。 コードだけでなく、新しい挑戦的な単一ドメイン意図検出データセットもリリースしています。
  論文  参考訳（メタデータ） (2020-03-10T15:33:54Z)

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。