論文の概要: ADAPT: A Pseudo-labeling Approach to Combat Concept Drift in Malware Detection

• arxiv url: http://arxiv.org/abs/2507.08597v1
• Date: Fri, 11 Jul 2025 13:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.37548
• Title: ADAPT: A Pseudo-labeling Approach to Combat Concept Drift in Malware Detection
• Title（参考訳）: ADAPT:マルウェア検出におけるコンバットコンセプトドリフトへの擬似ラベル手法
• Authors: Md Tanvirul Alam, Aritran Piplai, Nidhi Rastogi,
• Abstract要約: データ分散の変更に機械学習モデルを適用するには、頻繁な更新が必要である。 我々は、コンセプトドリフトに対処するための新しい擬似ラベル付き半教師付きアルゴリズムであるtexttADAPTを紹介する。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning models are commonly used for malware classification; however, they suffer from performance degradation over time due to concept drift. Adapting these models to changing data distributions requires frequent updates, which rely on costly ground truth annotations. While active learning can reduce the annotation burden, leveraging unlabeled data through semi-supervised learning remains a relatively underexplored approach in the context of malware detection. In this research, we introduce \texttt{ADAPT}, a novel pseudo-labeling semi-supervised algorithm for addressing concept drift. Our model-agnostic method can be applied to various machine learning models, including neural networks and tree-based algorithms. We conduct extensive experiments on five diverse malware detection datasets spanning Android, Windows, and PDF domains. The results demonstrate that our method consistently outperforms baseline models and competitive benchmarks. This work paves the way for more effective adaptation of machine learning models to concept drift in malware detection.
• Abstract（参考訳）: 機械学習モデルは一般的にマルウェア分類に使用されるが、コンセプトドリフトによる時間経過とともに性能劣化に悩まされる。 データ配布の変更にこれらのモデルを適用するには、頻繁に更新する必要がある。 アクティブな学習は、アノテーションの負担を軽減することができるが、半教師付き学習によるラベルなしデータの利用は、マルウェア検出の文脈において、比較的未検討のアプローチである。 本研究では,概念ドリフトに対処する新しい擬似ラベル付き半教師付きアルゴリズムである \texttt{ADAPT} を紹介する。 モデルに依存しない手法は、ニューラルネットワークや木に基づくアルゴリズムなど、さまざまな機械学習モデルに適用できる。 われわれはAndroid, Windows, PDFドメインにまたがる5つの多様なマルウェア検出データセットについて広範な実験を行った。 その結果,本手法はベースラインモデルと競合ベンチマークを一貫して上回る結果となった。 この研究は、機械学習モデルのより効果的な適応方法として、マルウェア検出におけるドリフトの概念を提案している。

関連論文リスト

• Empirical Evaluation of Concept Drift in ML-Based Android Malware Detection [10.268191178804168]
  本研究は,Androidマルウェア検出におけるコンセプトドリフトの影響について検討する。 ドリフトに影響を与える要因には、特徴型、データ環境、検出方法などがある。 アルゴリズムの種類と概念のドリフトの間に強い相関は見つからなかった。
  論文  参考訳（メタデータ） (2025-07-30T15:35:51Z)
• Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples [10.352741619176383]
  本研究では,ドリフトマルウェアの検出と分類を行う新しい手法を提案する。 グラフニューラルネットワークと対向ドメイン適応を利用して、マルウェア制御フローグラフのドリフト不変性を学習する。 当社のアプローチは,公開ベンチマークや,セキュリティ企業によって毎日報告されている実世界のマルウェアデータベース上でのドリフトマルウェアの検出を大幅に改善する。
  論文  参考訳（メタデータ） (2024-07-18T22:06:20Z)
• Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification [17.399454244765842]
  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。
  論文  参考訳（メタデータ） (2024-05-07T07:55:45Z)
• 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)
• Optimized Deep Learning Models for Malware Detection under Concept Drift [0.0]
  ドリフトに対するベースラインニューラルネットワークを改善するためのモデルに依存しないプロトコルを提案する。 本稿では,最新の検証セットによる特徴量削減とトレーニングの重要性を示し,Drift-Resilient Binary Cross-Entropyという損失関数を提案する。 改良されたモデルは有望な結果を示し、ベースラインモデルよりも15.2%多いマルウェアを検出する。
  論文  参考訳（メタデータ） (2023-08-21T16:13:23Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• Scalable Backdoor Detection in Neural Networks [61.39635364047679]
  ディープラーニングモデルは、トロイの木馬攻撃に対して脆弱で、攻撃者はトレーニング中にバックドアをインストールして、結果のモデルが小さなトリガーパッチで汚染されたサンプルを誤識別させる。 本稿では,ラベル数と計算複雑性が一致しない新たなトリガリバースエンジニアリング手法を提案する。 実験では,提案手法が純モデルからトロイの木馬モデルを分離する際の完全なスコアを達成できることが観察された。
  論文  参考訳（メタデータ） (2020-06-10T04:12:53Z)

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。