論文の概要: A Research and Development Portfolio of GNN Centric Malware Detection, Explainability, and Dataset Curation

• arxiv url: http://arxiv.org/abs/2511.20801v1
• Date: Tue, 25 Nov 2025 19:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.833521
• Title: A Research and Development Portfolio of GNN Centric Malware Detection, Explainability, and Dataset Curation
• Title（参考訳）: GNN Centric Malware Detection, Explainability and Dataset Curation の研究開発ポートフォリオ
• Authors: Hossein Shokouhinejad, Griffin Higgins, Roozbeh Razavi-Far, Ali A. Ghorbani,
• Abstract要約: グラフニューラルネットワーク(GNN)は,グラフ構造表現によるプログラム実行をキャプチャすることで,マルウェア検出に有効なツールとなっている。 本稿は、これらの問題に総合的に対処する6つの関連研究をまとめて紹介する。 ポートフォリオは、グラフベースのマルウェア検出と説明可能性の調査から始まり、その後、新しいグラフ削減方法、還元学習のアプローチの統合、説明の一貫性の調査に進む。
• 参考スコア（独自算出の注目度）: 4.437835658886064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have become an effective tool for malware detection by capturing program execution through graph-structured representations. However, important challenges remain regarding scalability, interpretability, and the availability of reliable datasets. This paper brings together six related studies that collectively address these issues. The portfolio begins with a survey of graph-based malware detection and explainability, then advances to new graph reduction methods, integrated reduction-learning approaches, and investigations into the consistency of explanations. It also introduces dual explanation techniques based on subgraph matching and develops ensemble-based models with attention-guided stacked GNNs to improve interpretability. In parallel, curated datasets of control flow graphs are released to support reproducibility and enable future research. Together, these contributions form a coherent line of research that strengthens GNN-based malware detection by enhancing efficiency, increasing transparency, and providing solid experimental foundations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ構造表現によるプログラム実行をキャプチャすることで,マルウェア検出に有効なツールとなっている。 しかし、スケーラビリティ、解釈可能性、信頼性のあるデータセットの可用性に関する重要な課題は残る。 本稿は、これらの問題に総合的に対処する6つの関連研究をまとめて紹介する。 ポートフォリオは、グラフベースのマルウェア検出と説明可能性の調査から始まり、その後、新しいグラフ削減方法、還元学習のアプローチの統合、説明の一貫性の調査に進む。 また、サブグラフマッチングに基づく二重説明手法を導入し、注意誘導GNNを用いたアンサンブルモデルを開発し、解釈性を向上させる。 並行して、再現性をサポートし、将来の研究を可能にするために、制御フローグラフのキュレートされたデータセットがリリースされている。 これらの貢献は、効率を高め、透明性を高め、しっかりとした実験基盤を提供することにより、GNNベースのマルウェア検出を強化するコヒーレントな研究のラインを形成する。

関連論文リスト

• Toward Robust Signed Graph Learning through Joint Input-Target Denoising [20.15917072156998]
  符号付きグラフニューラルネットワーク(SGNN)は、符号付きグラフと負のリンクの両方で複雑なパターンを解析するために広く採用されている。 本稿では,ロバストグラフ学習のための新しいフレームワーク RIDGE を提案する。 提案手法を4つの有意な符号付きグラフデータセット上で広範囲に検証した結果,RIDGEは各種ノイズレベル下での一般的なSGNNモデルのロバスト性を明確に向上することが示された。
  論文  参考訳（メタデータ） (2025-10-26T03:34:40Z)
• Recent Advances in Malware Detection: Graph Learning and Explainability [2.5824213547618067]
  この調査は、グラフ学習と説明可能性の間の相互作用に焦点を当てている。 これらのコンポーネントを統合することで、グラフ学習と説明可能性が堅牢で解釈可能でスケーラブルなマルウェア検出システムの構築にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2025-02-14T21:10:03Z)
• Explainable Malware Detection through Integrated Graph Reduction and Learning Techniques [2.464148828287322]
  制御フローグラフと関数コールグラフは、プログラム実行の詳細な理解を提供する上で重要なものとなっている。 これらのグラフベースの表現は、グラフニューラルネットワーク(GNN)と組み合わせることで、高性能なマルウェア検出器の開発において有望であることが示されている。 本稿では,グラフサイズを削減し,GNN出力の解釈可能性を高めるために最先端のGNNExplainerを適用し,これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-12-04T18:59:45Z)
• Conditional Distribution Learning on Graphs [15.730933577970687]
  半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。 具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。