Fugu-MT 論文翻訳(概要): Android Malware Detection: A Machine Leaning Approach

論文の概要: Android Malware Detection: A Machine Leaning Approach

arxiv url: http://arxiv.org/abs/2511.00894v1
Date: Sun, 02 Nov 2025 11:26:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:26.982492
Title: Android Malware Detection: A Machine Leaning Approach
Title（参考訳）: Androidのマルウェア検出: マシンリーンアプローチ
Authors: Hasan Abdulla,
Abstract要約: 本研究では、決定木、サポートベクトルマシン、ロジスティック回帰、ニューラルネットワーク、Androidマルウェアを検出するアンサンブルメソッドなどの機械学習技術について検討する。この研究は、これらのモデルをAndroidアプリケーションのデータセット上で評価し、その正確性、効率、実世界の適用性を分析する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study examines machine learning techniques like Decision Trees, Support Vector Machines, Logistic Regression, Neural Networks, and ensemble methods to detect Android malware. The study evaluates these models on a dataset of Android applications and analyzes their accuracy, efficiency, and real-world applicability. Key findings show that ensemble methods demonstrate superior performance, but there are trade-offs between model interpretability, efficiency, and accuracy. Given its increasing threat, the insights guide future research and practical use of ML to combat Android malware.
Abstract（参考訳）: 本研究では、決定木、サポートベクトルマシン、ロジスティック回帰、ニューラルネットワーク、Androidマルウェアを検出するアンサンブルメソッドなどの機械学習技術について検討する。この研究は、これらのモデルをAndroidアプリケーションのデータセット上で評価し、その正確性、効率、実世界の適用性を分析する。鍵となる発見は、アンサンブル法は優れた性能を示すが、モデルの解釈可能性、効率、精度にはトレードオフがあることを示している。脅威が高まる中、この洞察は今後の研究と、Androidのマルウェアと戦うためのMLの実践的利用を導く。

関連論文リスト

MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文参考訳（メタデータ） (2024-09-29T07:22:47Z)
R+R: Revisiting Static Feature-Based Android Malware Detection using Machine Learning [4.014524824655106]
マシンラーニング(ML)を使用した静的な機能ベースのAndroidマルウェア検出は、そのスケーラビリティと効率性から、依然として重要な課題である。既存のアプローチは、しばしばセキュリティクリティカルな懸念を無視する。本稿では,モデル選択と評価のための厳密な手法を提案する。
論文参考訳（メタデータ） (2024-09-11T16:37:50Z)
Verification of Machine Unlearning is Fragile [48.71651033308842]
両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
論文参考訳（メタデータ） (2024-08-01T21:37:10Z)
AppPoet: Large Language Model based Android malware detection via multi-view prompt engineering [1.3197408989895103]
AppPoetは、Androidマルウェア検出のためのマルチビューシステムである。本手法は, 検出精度97.15%, F1スコア97.21%であり, ベースライン法よりも優れている。
論文参考訳（メタデータ） (2024-04-29T15:52:45Z)
Unraveling the Key of Machine Learning Solutions for Android Malware Detection [33.63795751798441]
本稿では,機械学習によるAndroidマルウェア検出に関する包括的調査を行う。まず、文献を調査し、Androidの機能エンジニアリングとMLモデリングパイプラインに基づいた分類にコントリビューションを分類する。そして、MLベースのAndroidマルウェア検出のための汎用フレームワークを設計し、異なる研究コミュニティから12の代表的なアプローチを再実装し、有効性、堅牢性、効率性の3つの主要な側面から評価する。
論文参考訳（メタデータ） (2024-02-05T12:31:19Z)
Light up that Droid! On the Effectiveness of Static Analysis Features against App Obfuscation for Android Malware Detection [42.50353398405467]
マルウェアの作者は、難読化を静的解析機能に基づいてマルウェア検出をバイパスする手段と見なしている。本稿では,静的解析を用いて抽出した共通特徴に対する特定の難読化手法の影響を評価する。本稿では,Android用MLマルウェア検出器を提案する。
論文参考訳（メタデータ） (2023-10-24T09:07:23Z)
Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文参考訳（メタデータ） (2023-06-06T14:23:34Z)
On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
論文参考訳（メタデータ） (2022-09-28T11:41:38Z)
Towards a Fair Comparison and Realistic Design and Evaluation Framework of Android Malware Detectors [63.75363908696257]
一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
論文参考訳（メタデータ） (2022-05-25T08:28:08Z)
Adversarial Patterns: Building Robust Android Malware Classifiers [0.9208007322096533]
サイバーセキュリティの分野では、機械学習モデルがマルウェア検出において大幅に改善されている。構造化されていないデータから複雑なパターンを理解する能力があるにもかかわらず、これらのモデルは敵攻撃の影響を受けやすい。本稿では,Androidマルウェア分類器の文脈における敵機械学習の包括的レビューを行う。
論文参考訳（メタデータ） (2022-03-04T03:47:08Z)

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。