論文の概要: Malceiver: Perceiver with Hierarchical and Multi-modal Features for Android Malware Detection

• arxiv url: http://arxiv.org/abs/2204.05994v1
• Date: Tue, 12 Apr 2022 17:59:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 14:39:13.471583
• Title: Malceiver: Perceiver with Hierarchical and Multi-modal Features for Android Malware Detection
• Title（参考訳）: malceiver: androidマルウェア検出のための階層的およびマルチモーダル機能を備えたperceiver
• Authors: Niall McLaughlin
• Abstract要約: MalceiverはAndroidマルウェア検出のための階層型Perceiverモデルである。 モデルは、オプコードシーケンスから抽出された階層的特徴と、要求されたパーミッションを組み合わせる。 本モデルは,Opcode シーケンスに基づくマルウェア検出において,従来の CNN アーキテクチャよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.218340575383456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose the Malceiver, a hierarchical Perceiver model for Android malware detection that makes use of multi-modal features. The primary inputs are the opcode sequence and the requested permissions of a given Android APK file. To reach a malware classification decision the model combines hierarchical features extracted from the opcode sequence together with the requested permissions. The model's architecture is based on the Perceiver/PerceiverIO which allows for very long opcode sequences to be processed efficiently. Our proposed model can be easily extended to use multi-modal features. We show experimentally that this model outperforms a conventional CNN architecture for opcode sequence based malware detection. We then show that using additional modalities improves performance. Our proposed architecture opens new avenues for the use of Transformer-style networks in malware research.
• Abstract（参考訳）: マルチモーダル機能を利用したAndroidマルウェア検出のための階層型PerceiverモデルであるMalceiverを提案する。 主な入力は、android apkファイルのopcodeシーケンスと要求されたパーミッションである。 マルウェア分類決定に到達するために、オプコードシーケンスから抽出された階層的特徴と要求された許可とを組み合わせる。 このモデルのアーキテクチャは、非常に長いopcodeシーケンスを効率的に処理できるperceiver/perceiverioに基づいている。 提案モデルはマルチモーダル機能に容易に拡張できる。 本モデルは,Opcode シーケンスに基づくマルウェア検出において,従来の CNN アーキテクチャよりも優れていることを示す。 そして、追加のモダリティを使用することでパフォーマンスが向上することを示す。 提案するアーキテクチャは,マルウェア研究におけるトランスフォーマー型ネットワークの利用に新たな道を開く。

関連論文リスト

• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• A Lean Transformer Model for Dynamic Malware Analysis and Detection [0.0]
  マルウェアは現代のコンピューティングの世界にとって急速に成長する脅威であり、既存の防衛線はこの問題に対処するのに十分な効率性を持っていない。 これまでの研究では、実行レポートから抽出したニューラルネットワークとAPI呼び出しシーケンスを活用することに成功した。 本稿では,悪意のあるファイルを検出するために,Transformersアーキテクチャに基づくエミュレーションオンリーモデルを設計する。
  論文  参考訳（メタデータ） (2024-08-05T08:46:46Z)
• Multi-Candidate Speculative Decoding [82.05519287513444]
  大規模な言語モデルは、様々なNLPタスクで印象的な機能を示してきたが、その生成は自動回帰的に時間を要する。 これは高速なドラフトモデルから候補セグメントを生成し、ターゲットモデルによって並列に検証する。 本稿では,複数の候補をドラフトモデルから抽出し,検証のためにバッチにまとめる手法を提案する。 対象モデルの分布を維持しつつ,効率的な多候補検証のためのアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-01-12T17:15:23Z)
• MaMMUT: A Simple Architecture for Joint Learning for MultiModal Tasks [59.09343552273045]
  本稿では,これらの異なる視覚言語タスクの協調学習に驚くほど有効であるマルチモーダルタスクのためのデコーダのみのモデルを提案する。 これらの多様な目的の合同学習は単純で効果的であり、これらのタスク間でのモデルの重量共有を最大化することを示した。 我々のモデルは,画像テキストとテキスト画像検索,ビデオ質問応答,オープン語彙検出タスクにおける技術の現状を達成し,より大きく,より広範囲に訓練された基礎モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-03-29T16:42:30Z)
• Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor [7.417407987122394]
  既存のマルウェア検出方法は、既存の悪意のあるサンプルのみを対象としている。 本稿では,マルウェアとその変異を効率的に検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-25T03:20:34Z)
• BridgeTower: Building Bridges Between Encoders in Vision-Language Representation Learning [91.93547262073213]
  近年,2towerアーキテクチャを用いた視覚言語モデル(VL)が視覚表現学習を支配している。 そこで,BridgeTowerを提案する。このBridgeTowerは,ユニモーダルエンコーダの上位層とクロスモーダルエンコーダの各層との間の接続を構築する複数のブリッジ層を提供する。 BridgeTowerは78.73%の精度を達成し、以前の最先端モデルであるMETERを1.09%上回った。
  論文  参考訳（メタデータ） (2022-06-17T09:42:35Z)
• Towards efficient feature sharing in MIMO architectures [102.40140369542755]
  マルチインプットのマルチアウトプットアーキテクチャでは、ひとつのベースネットワーク内でマルチワークをトレーニングし、サブネットワーク予測を平均化し、無料でアンサンブルの恩恵を受けることを提案している。 相対的な成功にもかかわらず、これらのアーキテクチャはパラメータの使用に不便である。 この論文では、学習したサブネットワークは、より小さなモバイルやAR/VRデバイスに適用性を制限する汎用的な機能でさえも共有できない点を強調します。
  論文  参考訳（メタデータ） (2022-05-20T12:33:34Z)
• IoT Malware Detection Architecture using a Novel Channel Boosted and Squeezed CNN [0.28675177318965034]
  本研究では,拡張畳み込みニューラルネットワーク(CNN)を用いた新しいIoTマルウェア検出アーキテクチャ(iMDA)を提案する。 提案アーキテクチャは,エッジおよびスムース化,マルチパス拡張畳み込み操作,チャネルスキューズ,CNNの高速化といった概念を活用する。 提案されたiMDAは精度97.93%、F1スコア0.9394、精度0.9864、MCC0。
  論文  参考訳（メタデータ） (2022-02-08T19:55:35Z)
• When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
  正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。 精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
  論文  参考訳（メタデータ） (2021-05-27T13:51:42Z)
• Automatic Crack Detection on Road Pavements Using Encoder Decoder Architecture [9.34360241512198]
  提案アルゴリズムは,階層型特徴学習と拡張畳み込みを用いたエンコーダデコーダアーキテクチャ,U-階層型拡張ネットワーク (U-HDN) を提案する。 複数のコンテキスト情報を持つき裂特性は、自動的に学習し、エンドツーエンドのき裂検出を行うことができる。
  論文  参考訳（メタデータ） (2020-07-01T13:32:23Z)
• Tidying Deep Saliency Prediction Architectures [6.613005108411055]
  本稿では,入力特徴,マルチレベル統合,読み出しアーキテクチャ,損失関数の4つの主成分を同定する。 我々はSimpleNet と MDNSal という2つの新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-10T19:34:49Z)

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。