論文の概要: Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification

• arxiv url: http://arxiv.org/abs/2405.04095v3
• Date: Sat, 24 May 2025 14:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:41.42634
• Title: Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification
• Title（参考訳）: Android マルウェア分類のための説明的検出と適応によるコンセプトドリフトの圧縮
• Authors: Yiling He, Junchi Lei, Zhan Qin, Kui Ren, Chun Chen,
• Abstract要約: DREAMはドリフトの検出を改善し、説明適応プロセスを確立する新しいシステムである。 評価の結果,DREAMはドリフト検出精度を効果的に向上し,適応における専門家分析の労力を削減できることがわかった。
• 参考スコア（独自算出の注目度）: 17.399454244765842
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning-based Android malware classifiers achieve high accuracy in stationary environments but struggle with concept drift. The rapid evolution of malware, especially with new families, can depress classification accuracy to near-random levels. Previous research has largely centered on detecting drift samples, with expert-led label revisions on these samples to guide model retraining. However, these methods often lack a comprehensive understanding of malware concepts and provide limited guidance for effective drift adaptation, leading to unstable detection performance and high human labeling costs. To combat concept drift, we propose DREAM, a novel system that improves drift detection and establishes an explanatory adaptation process. Our core idea is to integrate classifier and expert knowledge within a unified model. To achieve this, we embed malware explanations (or concepts) within the latent space of a contrastive autoencoder, while constraining sample reconstruction based on classifier predictions. This approach enhances classifier retraining in two key ways: 1) capturing the target classifier's characteristics to select more effective samples in drift detection and 2) enabling concept revisions that extend the classifier's semantics to provide stronger guidance for adaptation. Additionally, DREAM eliminates reliance on training data during real-time drift detection and provides a behavior-based drift explainer to support concept revision. Our evaluation shows that DREAM effectively improves the drift detection accuracy and reduces the expert analysis effort in adaptation across different malware datasets and classifiers. Notably, when updating a widely-used Drebin classifier, DREAM achieves the same accuracy with 76.6% fewer newly labeled samples compared to the best existing methods.
• Abstract（参考訳）: 機械学習ベースのAndroidマルウェア分類器は、静止環境で高い精度を達成するが、コンセプトドリフトに苦戦する。 マルウェアの急速な進化、特に新しい家系では、分類精度をほぼランダムなレベルに低下させる可能性がある。 これまでの研究は主に漂流サンプルの検出に重点を置いており、専門家主導のラベル修正によってモデルの再訓練をガイドしている。 しかし、これらの手法はマルウェアの概念を包括的に理解せず、効果的なドリフト適応のための限られたガイダンスを提供し、不安定な検出性能と高い人為的ラベリングコストをもたらす。 ドリフト対策として,ドリフト検出を改善し,説明適応プロセスを確立する新システムDREAMを提案する。 私たちの中核となる考え方は、分類器と専門家の知識を統一されたモデルに統合することです。 これを実現するために、分類器の予測に基づいてサンプル再構成を制約しながら、コントラッシブオートエンコーダの潜伏空間にマルウェアの説明(あるいは概念)を埋め込む。 このアプローチは2つの重要な方法で分類器の再訓練を強化する。 1) 目標分類器の特性を把握し, ドリフト検出およびドリフト検出において, より効果的なサンプルを選択すること 2) 分類器のセマンティクスを拡張する概念修正を可能とし、適応のためのより強力なガイダンスを提供する。 さらに、DREAMはリアルタイムドリフト検出時のトレーニングデータへの依存をなくし、概念修正をサポートする振る舞いベースのドリフト説明器を提供する。 評価の結果,DREAMはドリフト検出精度を効果的に向上し,異なるマルウェアデータセットや分類器に適応する専門家分析の労力を削減できることがわかった。 特に、広く使われているDrebin分類器を更新する際、DREAMは同じ精度を76.6%減らした。

関連論文リスト

• Cluster Analysis and Concept Drift Detection in Malware [1.3812010983144798]
  概念ドリフト(concept drift)とは、機械学習モデルの精度に影響を与えるデータの特性の漸進的または突然の変化を指す。 マルウェア領域におけるコンセプトドリフトを検出するためのクラスタリングに基づく手法を提案し,解析する。
  論文  参考訳（メタデータ） (2025-02-19T22:42:30Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• 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)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• MORPH: Towards Automated Concept Drift Adaptation for Malware Detection [0.7499722271664147]
  コンセプトドリフトはマルウェア検出にとって重要な課題である。 自己学習は、コンセプトドリフトを緩和するための有望なアプローチとして現れています。 擬似ラベルに基づく効果的なドリフト適応法であるMORPHを提案する。
  論文  参考訳（メタデータ） (2024-01-23T14:25:43Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
  不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。 入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。 UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-05T08:56:36Z)
• Automatic Learning to Detect Concept Drift [40.69280758487987]
  誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。 具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。 検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
  論文  参考訳（メタデータ） (2021-05-04T11:10:39Z)
• Adversarial Concept Drift Detection under Poisoning Attacks for Robust Data Stream Mining [15.49323098362628]
  本稿では,敵対的攻撃と毒殺攻撃の存在下でのロバストな概念ドリフト検出のための枠組みを提案する。 本稿では,2種類の逆流の概念と,頑健な訓練可能なドリフト検出器の分類について紹介する。 また,ロバストネスの相対損失 (Relative Loss of Robustness) についても紹介する。
  論文  参考訳（メタデータ） (2020-09-20T18:46:31Z)

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。