論文の概要: Auxiliary-Classifier GAN for Malware Analysis
- arxiv url: http://arxiv.org/abs/2107.01620v1
- Date: Sun, 4 Jul 2021 13:15:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 02:48:41.432277
- Title: Auxiliary-Classifier GAN for Malware Analysis
- Title（参考訳）: マルウェア解析のための補助分類GAN
- Authors: Rakesh Nagaraju and Mark Stamp
- Abstract要約: 補助分類器GAN(AC-GAN)を用いて偽のマルウェア画像を生成する。
画像の分類における様々な手法の有効性を考察する。
AC-GAN生成画像は、実際のマルウェア画像と非常によく似ているが、深層学習の観点からは、AC-GAN生成画像は深い偽のマルウェア画像のレベルに上昇しない、と結論付けている。
- 参考スコア（独自算出の注目度）: 4.111899441919165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative adversarial networks (GAN) are a class of powerful machine
learning techniques, where both a generative and discriminative model are
trained simultaneously. GANs have been used, for example, to successfully
generate "deep fake" images. A recent trend in malware research consists of
treating executables as images and employing image-based analysis techniques.
In this research, we generate fake malware images using auxiliary classifier
GANs (AC-GAN), and we consider the effectiveness of various techniques for
classifying the resulting images. Our results indicate that the resulting
multiclass classification problem is challenging, yet we can obtain strong
results when restricting the problem to distinguishing between real and fake
samples. While the AC-GAN generated images often appear to be very similar to
real malware images, we conclude that from a deep learning perspective, the
AC-GAN generated samples do not rise to the level of deep fake malware images.
- Abstract（参考訳）: generative adversarial networks(gan)は、生成モデルと識別モデルの両方を同時にトレーニングする、強力な機械学習テクニックのクラスである。
例えば、ganは「ディープフェイク」画像をうまく生成するために使われてきた。
最近のマルウェア研究のトレンドは、実行可能ファイルを画像として扱い、画像に基づく分析技術を採用することである。
本研究では、補助分類器GAN(AC-GAN)を用いて偽のマルウェア画像を生成し、その結果を分類する様々な手法の有効性を検討する。
この結果から, 実検体と偽検体を区別する問題に制限を加えると, 結果の多クラス分類が困難であることが示唆された。
AC-GAN生成画像は、実際のマルウェア画像と非常によく似ているが、深層学習の観点からは、AC-GAN生成画像は深い偽のマルウェア画像のレベルに上昇しない、と結論付けている。
関連論文リスト
- GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - GenDet: Towards Good Generalizations for AI-Generated Image Detection [27.899521298845357]
既存の方法では、目に見えないジェネレータが生成した画像を効果的に検出できるが、見えないジェネレータが生成した画像を検出することは困難である。
本稿では、異常検出の観点から、この課題を考慮し、未知のジェネレータ検出問題に対処する。
提案手法は,実画像の教師モデルと学生モデルとの出力の差を小さくし,偽画像の差を大きくすることを目的としている。
論文 参考訳（メタデータ） (2023-12-12T11:20:45Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T11:25:35Z) - Generative Adversarial Networks and Image-Based Malware Classification [7.803471587734353]
多クラス分類のためのGAN(Generative Adversarial Networks)に焦点を当てる。
我々は、AC-GAN判別器が、他の機械学習技術と一般的に競合していることを発見した。
また,画像に基づくマルウェア検出に対する敵対攻撃に対するGAN生成モデルの有用性についても検討した。
論文 参考訳（メタデータ） (2022-06-08T20:59:47Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳（メタデータ） (2021-04-29T17:58:35Z) - Malware Detection Using Frequency Domain-Based Image Visualization and
Deep Learning [16.224649756613655]
画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。
実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。
浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
論文 参考訳（メタデータ） (2021-01-26T06:07:46Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Exploring Adversarial Fake Images on Face Manifold [5.26916168336451]
強力な生成敵対ネットワーク(GAN)ベースの方法によって合成された画像は、道徳的およびプライバシー上の懸念を引き起こしている。
本稿では, 対向雑音を付加する代わりに, 顔多様体上の対向点を最適に探索し, 反forensic fake face imageを生成する。
論文 参考訳（メタデータ） (2021-01-09T02:08:59Z) - Leveraging Frequency Analysis for Deep Fake Image Recognition [35.1862941141084]
ディープニューラルネットワークは驚くべきほどリアルな画像を生成することができるため、人間が実際の写真と区別するのはしばしば困難である。
これらの成果は主にGAN(Generative Adversarial Networks)によって実現されている。
本稿では、周波数空間において、GAN生成した画像は、容易に識別できる重いアーティファクトを示すことを示す。
論文 参考訳（メタデータ） (2020-03-19T11:06:54Z)
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。