論文の概要: Representation learning with function call graph transformations for malware open set recognition

• arxiv url: http://arxiv.org/abs/2205.06918v1
• Date: Fri, 13 May 2022 22:40:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 17:31:03.056291
• Title: Representation learning with function call graph transformations for malware open set recognition
• Title（参考訳）: マルウェア開集合認識のための関数コールグラフ変換を用いた表現学習
• Authors: Jingyun Jia, Philip K. Chan
• Abstract要約: オープンセット認識問題は、セキュリティなど、多くの機械学習(ML)アプリケーションにおいて課題となっている。 本稿では,マルウェア分類におけるOSR問題に対する自己教師付き事前学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set recognition (OSR) problem has been a challenge in many machine learning (ML) applications, such as security. As new/unknown malware families occur regularly, it is difficult to exhaust samples that cover all the classes for the training process in ML systems. An advanced malware classification system should classify the known classes correctly while sensitive to the unknown class. In this paper, we introduce a self-supervised pre-training approach for the OSR problem in malware classification. We propose two transformations for the function call graph (FCG) based malware representations to facilitate the pretext task. Also, we present a statistical thresholding approach to find the optimal threshold for the unknown class. Moreover, the experiment results indicate that our proposed pre-training process can improve different performances of different downstream loss functions for the OSR problem.
• Abstract（参考訳）: オープンセット認識(OSR)問題は、セキュリティなど、多くの機械学習(ML)アプリケーションにおいて課題となっている。 新しい未知のマルウェアファミリーが定期的に発生するため、MLシステムにおけるトレーニングプロセスの全クラスをカバーするサンプルを排出することは困難である。 高度なマルウェア分類システムは、未知のクラスに敏感なまま、既知のクラスを正しく分類する必要がある。 本稿では,マルウェア分類におけるOSR問題に対する自己教師付き事前学習手法を提案する。 プリテキスト処理を容易にするために,関数呼び出しグラフ(FCG)に基づくマルウェア表現のための2つの変換を提案する。 また,未知クラスに対する最適しきい値を求めるための統計的しきい値法を提案する。 さらに,提案した事前学習プロセスは,OSR問題に対する下流損失関数の異なる性能を改善することができることを示す。

関連論文リスト

• Improving Malware Detection with Adversarial Domain Adaptation and Control Flow Graphs [10.352741619176383]
  戦闘コンセプトの既存のソリューションは、アクティブラーニングを使用する。 グラフニューラルネットワークを利用してマルウェア制御後のフローグラフの保持情報を学習する手法を提案する。 提案手法は,バイナリ分類タスクにおける未知のマルウェアファミリーの予測と,マルチクラス環境でのドリフトされたマルウェアファミリーの予測において,大幅な向上を示すものである。
  論文  参考訳（メタデータ） (2024-07-18T22:06:20Z)
• Class-Incremental Learning: A Survey [84.30083092434938]
  CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。 ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
  論文  参考訳（メタデータ） (2023-02-07T17:59:05Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Self-supervised Detransformation Autoencoder for Representation Learning in Open Set Recognition [0.0]
  オープンセット認識問題に対する自己超越手法であるDetransformation Autoencoder (DTAE)を提案する。 提案手法は,未知のクラスを検出し,未知のクラスを分類する上で,大きな利益をもたらす。
  論文  参考訳（メタデータ） (2021-05-28T02:45:57Z)
• Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
  現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。 ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。 さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
  論文  参考訳（メタデータ） (2020-12-31T08:21:37Z)
• Incremental Learning from Low-labelled Stream Data in Open-Set Video Face Recognition [0.0]
  本稿では,深層機能エンコーダとSVMのオープンセット動的アンサンブルを組み合わせた新しいインクリメンタル学習手法を提案する。 本手法は,教師なしの操作データを用いて認識性を向上させる。 結果は、非適応状態の方法に対する最大15%のF1スコア増加の利点を示しています。
  論文  参考訳（メタデータ） (2020-12-17T13:28:13Z)
• MMF: A loss extension for feature learning in open set recognition [0.0]
  オープンセット認識問題に対処するために,ニューラルネットワークにおける損失関数のアドオン拡張を提案する。 我々の損失拡大はニューラルネットワークを利用して既知のクラスに対する極性表現を見つけ、既知のクラスと未知のクラスの表現をより効果的に分離できるようにします。
  論文  参考訳（メタデータ） (2020-06-26T17:22:11Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• Deep Learning and Open Set Malware Classification: A Survey [0.0]
  最近の機械学習の研究は、機械学習におけるオープンセット認識(OSR)問題に光を当てている。 OSRシステムは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識すべきである。 本調査では,さまざまなディープラーニング技術の概要,OSRとグラフ表現ソリューションの議論,マルウェア分類システムの導入について概説する。
  論文  参考訳（メタデータ） (2020-04-08T21:36:21Z)

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。