Fugu-MT 論文翻訳(概要): Malware Classification with GMM-HMM Models

論文の概要: Malware Classification with GMM-HMM Models

arxiv url: http://arxiv.org/abs/2103.02753v1
Date: Wed, 3 Mar 2021 23:23:48 GMT
ステータス: 処理完了
システム内更新日: 2021-03-07 19:43:05.358493
Title: Malware Classification with GMM-HMM Models
Title（参考訳）: GMM-HMMモデルを用いたマルウェア分類
Authors: Jing Zhao and Samanvitha Basole and Mark Stamp
Abstract要約: 本稿では,GMM-HMMをマルウェア分類に用いた結果と,離散HMMを用いた結果を比較した。当社のオプコード機能では、GMM-HMMは離散HMMを使用して得られる結果に匹敵する結果をもたらします。
参考スコア（独自算出の注目度）: 8.02151721194722
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Discrete hidden Markov models (HMM) are often applied to malware detection and classification problems. However, the continuous analog of discrete HMMs, that is, Gaussian mixture model-HMMs (GMM-HMM), are rarely considered in the field of cybersecurity. In this paper, we use GMM-HMMs for malware classification and we compare our results to those obtained using discrete HMMs. As features, we consider opcode sequences and entropy-based sequences. For our opcode features, GMM-HMMs produce results that are comparable to those obtained using discrete HMMs, whereas for our entropy-based features, GMM-HMMs generally improve significantly on the classification results that we have achieved with discrete HMMs.
Abstract（参考訳）: 離散隠れマルコフモデル(HMM)は、しばしばマルウェアの検出や分類問題に適用される。しかし、離散HMM、すなわちガウス混合モデル-HMM(GMM-HMM)の連続アナログは、サイバーセキュリティの分野ではめったに考えられません。本稿では,GMM-HMMをマルウェア分類に用いた結果と,離散HMMを用いた結果を比較した。特徴として,オプコード列とエントロピー系列を考える。 GMM-HMMは離散HMMに匹敵する結果が得られるのに対し、エントロピーに基づく特徴では、GMM-HMMは一般に、離散HMMで達成した分類結果よりも大幅に改善される。

関連論文リスト

Synthetic Multimodal Question Generation [60.33494376081317]
MMRAG(Multimodal Retrieval Augmented Generation)は,マルチモーダル文書に対する質問応答のための強力な手法である。マルチモーダル文書から直接質問と回答のペアを生成する合成データ生成フレームワークSMMQGを提案する。 SMMQGを用いて、ウィキペディア文書上の1024の質問のMMRAGデータセットを生成し、それを用いて最先端のモデルを評価する。
論文参考訳（メタデータ） (2024-07-02T12:57:42Z)
Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
論文参考訳（メタデータ） (2023-02-28T16:53:41Z)
Linear chain conditional random fields, hidden Markov models, and related classifiers [4.984601297028258]
条件付ランダム場(CRF)は隠れマルコフモデル(HMM)の代替である LC-CRF の基本線形鎖 CRF (LC-CRF) は実際,各 LC-CRF に対して HMM が存在するという意味で等価であることを示す。そこで本研究では,HMMにおける生成ベイズ分類器の最大後次モード (MPM) と最大後次モード (MAP) を識別的に再構成可能であることを示す。
論文参考訳（メタデータ） (2023-01-03T18:52:39Z)
Fuzzy Cognitive Maps and Hidden Markov Models: Comparative Analysis of Efficiency within the Confines of the Time Series Classification Task [0.0]
時系列分類における隠れマルコフモデル(HMM)の適用について検討する。 HMM NN (HMM, 1シリーズ), HMM 1C (HMM, 1クラス), FCM NN, FCM 1C の4つのモデルを連続実験で検討した。
論文参考訳（メタデータ） (2022-04-28T12:41:05Z)
Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
論文参考訳（メタデータ） (2022-03-12T22:40:43Z)
Image Modeling with Deep Convolutional Gaussian Mixture Models [79.0660895390689]
画像の記述と生成に適したGMM(Deep Hierarchical Gaussian Mixture Models)の新しい定式化を紹介します。 DCGMMは、畳み込みとプーリング操作によってリンクされた複数のGMM層の積み重ねたアーキテクチャによってこれを回避している。 dcgmmsでシャープな画像を生成するために,畳み込みやプーリングなどの非可逆操作をサンプリングする新しい勾配に基づく手法を提案する。 MNISTとFashionMNISTのデータセットに基づいて,クラスタリング,サンプリング,外乱検出において,フラットなGMMよりも優れていることを示すことで,DCGMMsモデルを検証した。
論文参考訳（メタデータ） (2021-04-19T12:08:53Z)
Robust Classification using Hidden Markov Models and Mixtures of Normalizing Flows [25.543231171094384]
我々は,隠れマルコフモデル(HMM)の状態遷移と,隠れたHMMの状態に対するニューラルネットワークに基づく確率分布を組み合わせた生成モデルを用いる。音声認識への応用におけるNMM-HMM分類器の堅牢性の改善を検証する。
論文参考訳（メタデータ） (2021-02-15T00:40:30Z)
Indoor Group Activity Recognition using Multi-Layered HMMs [0.0]
画像データ処理に基づくグループアクティビティ(GA)は、監視システムに重要な応用がある。グループ活動における一連の事象の識別と分類が可能な適切な推論モデルを備えたオントロジーGARを提案する。多層マルコフモデル(HMM)は、異なる抽象的な観測レベルを認識するために提案される。
論文参考訳（メタデータ） (2021-01-23T22:02:12Z)
DenseHMM: Learning Hidden Markov Models by Learning Dense Representations [0.0]
本研究では,隠れ状態と観測可能性の両方の密表現を学習できる隠れマルコフモデル(hmms)の修正を提案する。標準的なHMMと比較して、遷移確率は原子ではなく、カーネル化によるこれらの表現で構成されている。 DenseHMMの性質は、合成および生物医学的データセットで実証的に研究されている。
論文参考訳（メタデータ） (2020-12-17T17:48:27Z)
Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文参考訳（メタデータ） (2020-11-09T18:51:55Z)
A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
論文参考訳（メタデータ） (2020-09-24T14:09:04Z)

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。