論文の概要: Analysis of Machine Learning Approaches to Packing Detection

• arxiv url: http://arxiv.org/abs/2105.00473v1
• Date: Sun, 2 May 2021 13:37:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:41:49.228560
• Title: Analysis of Machine Learning Approaches to Packing Detection
• Title（参考訳）: パッケージ検出における機械学習手法の解析
• Authors: Charles-Henry Bertrand Van Ouytsel, Thomas Given-Wilson, Jeremy Minet, Julian Roussieau, Axel Legay
• Abstract要約: パッキングは、プログラムの内容や動作を隠すためにマルウェアによって広く使用される難読化技術です。 どのアルゴリズムが最適なのか、最も重要な機能なのか、ロバストな結果はありません。 この研究では、119の機能を使用して11の異なる機械学習アプローチを検討する。どの機能がパッキング検出に最も重要であるか、どのアルゴリズムが最高のパフォーマンスを提供し、どのアルゴリズムが最も経済的であるか。
• 参考スコア（独自算出の注目度）: 2.4450414803989475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Packing is an obfuscation technique widely used by malware to hide the content and behavior of a program. Much prior research has explored how to detect whether a program is packed. This research includes a broad variety of approaches such as entropy analysis, syntactic signatures and more recently machine learning classifiers using various features. However, no robust results have indicated which algorithms perform best, or which features are most significant. This is complicated by considering how to evaluate the results since accuracy, cost, generalization capabilities, and other measures are all reasonable. This work explores eleven different machine learning approaches using 119 features to understand: which features are most significant for packing detection; which algorithms offer the best performance; and which algorithms are most economical.
• Abstract（参考訳）: パッキング(packing)は、マルウェアがプログラムの内容や動作を隠すために広く使われている難読化技術である。 以前の多くの研究は、プログラムが満員であるかどうかを検出する方法を模索した。 本研究は,エントロピー解析や構文シグネチャ,最近では様々な特徴を用いた機械学習分類器など,幅広いアプローチを含む。 しかし、どのアルゴリズムがベストなのか、最も重要な機能なのか、堅牢な結果は示されていない。 正確さ、コスト、一般化能力、その他の測定方法がすべて妥当であるため、結果をどう評価するかを考えると、これは複雑です。 この研究は、119の機能を使って11の異なる機械学習アプローチを探索する。どの機能がパッキング検出に最も重要なのか、どのアルゴリズムが最高のパフォーマンスを提供するのか、どのアルゴリズムが最も経済的か。

関連論文リスト

• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Exploratory Landscape Analysis for Mixed-Variable Problems [0.7252027234425334]
  決定空間が連続変数、バイナリ変数、整数変数、カテゴリー変数の混合である混合変数問題に対する探索的景観特徴を計算する手段を提供する。 実用化のためのメリットをさらに強調するため,自動アルゴリズム選択研究を設計・実施する。 トレーニングされたアルゴリズムセレクタは、すべてのベンチマーク問題に対して、単一のベストと仮想ベストのギャップを57.5%縮めることができる。
  論文  参考訳（メタデータ） (2024-02-26T10:19:23Z)
• Practical considerations for variable screening in the Super Learner [2.9337734440124232]
  スーパーラーナーアンサンブルは望ましい理論的性質を持ち、多くの応用で成功している。 次元減少は、他の予測アルゴリズムに適合する前にアンサンブル内で、ラッソを含む可変スクリーニングアルゴリズムを使用することで達成できる。 実験結果から,候補検定アルゴリズムの多種多様さが,一つの画面の粗悪な性能を防ぎ得ることを示唆する。
  論文  参考訳（メタデータ） (2023-11-06T18:04:39Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• Algorithmic failure as a humanities methodology: machine learning's mispredictions identify rich cases for qualitative analysis [0.0]
  私は単純な機械学習アルゴリズムを訓練し、架空のキャラクターの情報だけを使ってアクションがアクティブか受動的かを予測する。 この結果は、失敗予測は質的分析のリッチケースを特定するために生産的に使用できるという、Munkらの理論を支持する。 さらに、この手法がどのような種類のデータに役立ち、どの種類の機械学習が最も生成性が高いかを理解するために、さらなる研究が必要である。
  論文  参考訳（メタデータ） (2023-05-19T13:24:32Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Towards Understanding the Behaviors of Optimal Deep Active Learning Algorithms [19.65665942630067]
  アクティブラーニング(AL)アルゴリズムは、モデルがデータ選択プロセスを導くため、より少ないデータでより良いパフォーマンスを達成できます。 alの最適形状についてはほとんど研究されていないため、研究者たちはモデルがどこが不足しているかを理解するのに役立つだろう。 我々は,この最適オラクルを探索し,いくつかのタスクで解析するシミュレーションアニーリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-29T22:56:42Z)
• SWAG: A Wrapper Method for Sparse Learning [0.13854111346209866]
  本稿では,低データ収集とストレージコストを伴って,スパース学習者のライブラリを見つける手順を提案する。 この新しい手法は、容易に解釈できる低次元の属性ネットワークを提供する。 我々はこのアルゴリズムを "Sparse Wrapper AlGorithm" (SWAG) と呼ぶ。
  論文  参考訳（メタデータ） (2020-06-23T08:53:41Z)

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。