論文の概要: Interpretable by Design: MH-AutoML for Transparent and Efficient Android Malware Detection without Compromising Performance

• arxiv url: http://arxiv.org/abs/2506.23314v1
• Date: Sun, 29 Jun 2025 16:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.82465
• Title: Interpretable by Design: MH-AutoML for Transparent and Efficient Android Malware Detection without Compromising Performance
• Title（参考訳）: 設計による解釈: 性能を損なうことなく、透明で効率的なAndroidマルウェア検出のためのMH-AutoML
• Authors: Joner Assolin, Gabriel Canto, Diego Kreutz, Eduardo Feitosa, Hendrio Bragança, Angelo Nogueira, Vanderson Rocha,
• Abstract要約: Androidシステムにおけるマルウェア検出には、サイバーセキュリティの専門知識と機械学習(ML)技術の両方が必要となる。 We present MH-AutoML, a domain-specific framework for Android malware detection。 結果は、MH-AutoMLがより透明性とコントロールを提供しながら、より良いリコール率を達成することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malware detection in Android systems requires both cybersecurity expertise and machine learning (ML) techniques. Automated Machine Learning (AutoML) has emerged as an approach to simplify ML development by reducing the need for specialized knowledge. However, current AutoML solutions typically operate as black-box systems with limited transparency, interpretability, and experiment traceability. To address these limitations, we present MH-AutoML, a domain-specific framework for Android malware detection. MH-AutoML automates the entire ML pipeline, including data preprocessing, feature engineering, algorithm selection, and hyperparameter tuning. The framework incorporates capabilities for interpretability, debugging, and experiment tracking that are often missing in general-purpose solutions. In this study, we compare MH-AutoML against seven established AutoML frameworks: Auto-Sklearn, AutoGluon, TPOT, HyperGBM, Auto-PyTorch, LightAutoML, and MLJAR. Results show that MH-AutoML achieves better recall rates while providing more transparency and control. The framework maintains computational efficiency comparable to other solutions, making it suitable for cybersecurity applications where both performance and explainability matter.
• Abstract（参考訳）: Androidシステムにおけるマルウェア検出には、サイバーセキュリティの専門知識と機械学習(ML)技術の両方が必要となる。 Automated Machine Learning (AutoML)は、専門知識の必要性を減らすことで、ML開発を簡素化するアプローチとして登場した。 しかしながら、現在のAutoMLソリューションは通常、透明性、解釈可能性、実験トレーサビリティに制限のあるブラックボックスシステムとして動作する。 これらの制限に対処するため,Androidマルウェア検出のためのドメイン固有フレームワークであるMH-AutoMLを提案する。 MH-AutoMLは、データ前処理、機能エンジニアリング、アルゴリズムの選択、ハイパーパラメータチューニングを含む、MLパイプライン全体を自動化する。 このフレームワークには、汎用ソリューションでしばしば欠落する、解釈可能性、デバッグ、実験追跡機能が含まれている。 本研究では,MH-AutoMLとAuto-Sklearn,AutoGluon,TPOT,HyperGBM,Auto-PyTorch,LightAutoML,MLJARの7つのAutoMLフレームワークを比較した。 その結果,MH-AutoMLはより透明性と制御性を高めつつ,リコール率の向上を実現していることがわかった。 このフレームワークは、他のソリューションに匹敵する計算効率を維持しており、パフォーマンスと説明可能性の両方が重要であるサイバーセキュリティアプリケーションに適している。

関連論文リスト

• MLZero: A Multi-Agent System for End-to-end Machine Learning Automation [48.716299953336346]
  MLZeroはLarge Language Models(LLM)を利用した新しいマルチエージェントフレームワークである。 認知認識モジュールが最初に使用され、生のマルチモーダル入力を知覚コンテキストに変換する。 MLZeroは、MLE-Bench Liteで優れたパフォーマンスを示し、成功率とソリューション品質の両方で競合他社を上回っている。
  論文  参考訳（メタデータ） (2025-05-20T05:20:53Z)
• AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
  LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。 以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-02T13:24:30Z)
• UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models [5.725785427377439]
  我々は、人間中心のAutoMLフレームワークであるUniAutoMLを紹介し、AutoMLを識別的タスクと生成的タスクの両方に統一する。 UniAutoMLの人間中心の設計は、自然言語の対話を容易にする対話型ユーザインタフェース(CUI)を革新的に特徴付けている。 この設計により、AutoMLトレーニングプロセス全体の透明性とユーザコントロールが向上し、ユーザがトレーニング対象のモデルをシームレスに分解あるいは修正できるようになる。
  論文  参考訳（メタデータ） (2024-10-09T17:33:15Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• A Multivocal Literature Review on the Benefits and Limitations of Automated Machine Learning Tools [9.69672653683112]
  我々は多言語文献レビューを行い、学術文献から54の資料と、AutoMLの利点と限界について報告した灰色文献から108の資料を同定した。 メリットについては、AutoMLツールがMLの中核ステップの合理化に役立つ点を強調します。 AutoMLの普及の障害となるいくつかの制限を強調します。
  論文  参考訳（メタデータ） (2024-01-21T01:39:39Z)
• Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
  本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。 以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2021-08-27T09:26:20Z)
• Naive Automated Machine Learning -- A Late Baseline for AutoML [0.0]
  AutoML(Automated Machine Learning)は、特定のデータセット上で最高の一般化パフォーマンスを持つパイプラインを自動的に見つける問題です。 機械学習の問題に関する重要なメタ知識を利用するAutoMLの非常に単純なソリューションであるNaive AutoMLを紹介します。
  論文  参考訳（メタデータ） (2021-03-18T19:52:12Z)

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。