論文の概要: MeLeMaD: Adaptive Malware Detection via Chunk-wise Feature Selection and Meta-Learning

• arxiv url: http://arxiv.org/abs/2512.23987v1
• Date: Tue, 30 Dec 2025 04:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.283678
• Title: MeLeMaD: Adaptive Malware Detection via Chunk-wise Feature Selection and Meta-Learning
• Title（参考訳）: MeLeMaD: チャンクワイズ特徴選択とメタラーニングによる適応型マルウェア検出
• Authors: Ajvad Haneef K, Karan Kuwar Singh, Madhu Kumar S D,
• Abstract要約: 本稿では,MAML(Model-Agnostic Meta-Learning)の適応性と一般化機能を利用したマルウェア検出フレームワークMeLeMaDを紹介する。 MeLeMaDは、大規模で高次元のマルウェアデータセットを扱うのに適した、グラディエントブースティング(GBCFS)に基づく新しい特徴選択技術であるチャンクワイズ・フィーチャーセレクションを取り入れている。 CIC-AndMal 2020の98.04%、BODMASの99.97%の精度で、MeLeMaDは最先端のアプローチよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confronting the substantial challenges of malware detection in cybersecurity necessitates solutions that are both robust and adaptable to the ever-evolving threat environment. The paper introduces Meta Learning Malware Detection (MeLeMaD), a novel framework leveraging the adaptability and generalization capabilities of Model-Agnostic Meta-Learning (MAML) for malware detection. MeLeMaD incorporates a novel feature selection technique, Chunk-wise Feature Selection based on Gradient Boosting (CFSGB), tailored for handling large-scale, high-dimensional malware datasets, significantly enhancing the detection efficiency. Two benchmark malware datasets (CIC-AndMal2020 and BODMAS) and a custom dataset (EMBOD) were used for rigorously validating the MeLeMaD, achieving a remarkable performance in terms of key evaluation measures, including accuracy, precision, recall, F1-score, MCC, and AUC. With accuracies of 98.04\% on CIC-AndMal2020 and 99.97\% on BODMAS, MeLeMaD outperforms the state-of-the-art approaches. The custom dataset, EMBOD, also achieves a commendable accuracy of 97.85\%. The results underscore the MeLeMaD's potential to address the challenges of robustness, adaptability, and large-scale, high-dimensional datasets in malware detection, paving the way for more effective and efficient cybersecurity solutions.
• Abstract（参考訳）: サイバーセキュリティにおけるマルウェア検出の重大な課題を克服するには、絶え間なく進化する脅威環境に対して堅牢かつ適応可能なソリューションが必要である。 本稿では,MAML(Model-Agnostic Meta-Learning)の適応性と一般化機能を利用したマルウェア検出フレームワークMeLeMaDを紹介する。 MeLeMaDは、大規模で高次元のマルウェアデータセットを扱うのに適した、グラディエントブースティング(CFSGB)に基づくチャンクワイド特徴選択という、新しい特徴選択技法を取り入れ、検出効率を大幅に向上させる。 2つのベンチマークマルウェアデータセット(CIC-AndMal2020 と BODMAS)とカスタムデータセット(EMBOD)を使用してMeLeMaDを厳格に検証し、精度、精度、リコール、F1スコア、MCC、AUCといった重要な評価基準で顕著なパフォーマンスを達成した。 CIC-AndMal2020の98.04\%、BODMASの99.97\%のアキュラシーにより、MeLeMaDは最先端のアプローチよりも優れている。 カスタムデータセット EMBOD も97.85 %の補正精度を達成している。 その結果は、堅牢性、適応性、およびマルウェア検出における大規模で高次元のデータセットの課題に対処するMeLeMaDの可能性を強調し、より効果的で効率的なサイバーセキュリティソリューションの道を開いた。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Optimized Approaches to Malware Detection: A Study of Machine Learning and Deep Learning Techniques [0.0]
  デジタルシステムは、サイバーセキュリティの脅威に追随することが難しい。 5万以上の新たなマルウェアが毎日出現することは、デジタルエコシステムに重大な危険をもたらす。 本研究では,機械学習 (ML) とディープラーニング (DL) を用いてマルウェアを検出できる方法を探る。
  論文  参考訳（メタデータ） (2025-04-24T20:40:51Z)
• Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques [0.0]
  本研究では,機械学習(ML)と深層学習(DL)技術を組み合わせて,ネットワーク侵入検知システム(NIDS)を改善する方法について検討する。 この研究は、CSE-CIC-IDS 2018とLITNET-2020データセットを使用して、MLメソッド(決定木、ランダムフォレスト、XGBoost)とDLモデル(CNN、RNN、DNN)を主要なパフォーマンス指標と比較する。 Decision Treeモデルでは、EPSO(Enhanced Particle Swarm Optimization)を微調整して、ネットワーク違反を効果的に検出する能力を実証した。
  論文  参考訳（メタデータ） (2024-08-14T17:11:36Z)
• Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection [0.5475886285082937]
  本研究では,機械学習技術を用いたマルウェア検出の徹底的な検討を行う。 その目的は、脅威をより効果的に識別し緩和することで、サイバーセキュリティの能力を向上させることである。
  論文  参考訳（メタデータ） (2024-03-04T17:22:43Z)
• Ransomware detection using stacked autoencoder for feature selection [0.0]
  この研究は、オートエンコーダの学習したウェイトとアクティベーションを慎重に分析し、ランサムウェアファミリーと他のマルウェアを区別するための重要な特徴を特定します。 提案手法はランサムウェア分類において, Extreme Gradient Boosting (XGBoost) アルゴリズムを上回り, 99%の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-17T17:31:48Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
  モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。 メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。 本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-20T22:03:04Z)

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。