論文の概要: Routing-Aware Explanations for Mixture of Experts Graph Models in Malware Detection

• arxiv url: http://arxiv.org/abs/2602.19025v1
• Date: Sun, 22 Feb 2026 03:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.450827
• Title: Routing-Aware Explanations for Mixture of Experts Graph Models in Malware Detection
• Title（参考訳）: マルウェア検出におけるエキスパートグラフモデルの混合に対するルーティングアウェア記述法
• Authors: Hossein Shokouhinejad, Roozbeh Razavi-Far, Griffin Higgins, Ali. A Ghorbani,
• Abstract要約: Mixture-of-Experts (MoE)は、学習ルータを通じてグラフの複数のビューを組み合わせることで、柔軟なグラフ推論を提供する。 制御フローグラフ(CFG)を用いたマルウェア検出におけるMoEグラフモデルのルーティング対応説明について検討する。 ポストホックの説明は、専門家毎のエッジレベルの属性で生成され、ルータゲートを使用して集約される。
• 参考スコア（独自算出の注目度）: 4.437835658886064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixture-of-Experts (MoE) offers flexible graph reasoning by combining multiple views of a graph through a learned router. We investigate routing-aware explanations for MoE graph models in malware detection using control flow graphs (CFGs). Our architecture builds diversity at two levels. At the node level, each layer computes multiple neighborhood statistics and fuses them with an MLP, guided by a degree reweighting factor rho and a pooling choice lambda in {mean, std, max}, producing distinct node representations that capture complementary structural cues in CFGs. At the readout level, six experts, each tied to a specific (rho, lambda) view, output graph-level logits that the router weights into a final prediction. Post-hoc explanations are generated with edge-level attributions per expert and aggregated using the router gates so the rationale reflects both what each expert highlights and how strongly it is selected. Evaluated against single-expert GNN baselines such as GCN, GIN, and GAT on the same CFG dataset, the proposed MoE achieves strong detection accuracy while yielding stable, faithful attributions under sparsity-based perturbations. The results indicate that making the router explicit and combining multi-statistic node encoding with expert-level diversity can improve the transparency of MoE decisions for malware analysis.
• Abstract（参考訳）: Mixture-of-Experts (MoE)は、学習ルータを通じてグラフの複数のビューを組み合わせることで、柔軟なグラフ推論を提供する。 制御フローグラフ(CFG)を用いたマルウェア検出におけるMoEグラフモデルのルーティングを考慮した説明について検討する。 私たちのアーキテクチャは2つのレベルで多様性を構築します。 ノードレベルでは、各レイヤは複数の近傍統計を計算し、次数再重み付け係数 rho とプール選択ラムダ {mean, std, max} で導かれる MLP と融合し、CFG における補完的な構造的手がかりをキャプチャするノード表現を生成する。 読み出しレベルでは、6人の専門家がそれぞれ特定の(rho, lambda)ビューに結び付けられ、ルータが最終的な予測に重み付けするグラフレベルのロジットを出力する。 ポストホックの説明は、専門家毎のエッジレベルの属性で生成され、ルータゲートを使用して集約される。 同じCFGデータセット上で,GCN,GIN,GATなどのシングルエキスパートGNNベースラインに対して評価を行った結果,提案したMoEは高い検出精度が得られた。 その結果,ルータを明示的にし,多統計的ノードエンコーディングを専門家レベルの多様性と組み合わせることで,マルウェア解析におけるMoE決定の透明性を向上させることが示唆された。

関連論文リスト

• Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
  ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。 EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
  論文  参考訳（メタデータ） (2026-02-12T06:16:51Z)
• Explainable Attention-Guided Stacked Graph Neural Networks for Malware Detection [2.6436521007616114]
  本稿では,グラフベースのマルウェア検出と説明のための新しいスタックングアンサンブルフレームワークを提案する。 本フレームワークは,マルウェアの行動に関する洞察に富んだ解釈を提供しながら,分類性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-13T13:33:02Z)
• On the Consistency of GNN Explanations for Malware Detection [2.464148828287322]
  制御フローグラフ(CFG)は、プログラムの実行を分析し、マルウェアの振る舞いを特徴づけるのに重要である。 本研究では、CFGを動的に構築し、ハイブリッドアプローチを用いてノード特徴を埋め込む新しいフレームワークを提案する。 その後、GNNベースの分類器が構築され、結果のグラフ表現から悪意のある振る舞いを検出する。
  論文  参考訳（メタデータ） (2025-04-22T23:25:12Z)
• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。