論文の概要: Image-Based Malware Type Classification on MalNet-Image Tiny: Effects of Multi-Scale Fusion, Transfer Learning, Data Augmentation, and Schedule-Free Optimization

• arxiv url: http://arxiv.org/abs/2604.21153v1
• Date: Wed, 22 Apr 2026 23:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.213865
• Title: Image-Based Malware Type Classification on MalNet-Image Tiny: Effects of Multi-Scale Fusion, Transfer Learning, Data Augmentation, and Schedule-Free Optimization
• Title（参考訳）: MalNet-Image Tinyによる画像ベースマルウェア分類:マルチスケールフュージョン,トランスファーラーニング,データ拡張,スケジュールフリー最適化の効果
• Authors: Ahmed A. Abouelkhaire, Waleed A. Yousef, Issa Traor,
• Abstract要約: 本稿では,Android APKファイルから派生した公開ベンチマークであるMalNet-Image Tinyの43種類のマルウェアタイプ分類について検討する。 目標は、制御アブレーションで評価された4つのコンポーネントから、コンパクトな画像が恩恵を受けるかどうかを評価することである。
• 参考スコア（独自算出の注目度）: 2.2124492366988133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies 43-class malware type classification on MalNet-Image Tiny, a public benchmark derived from Android APK files. The goal is to assess whether a compact image classifier benefits from four components evaluated in a controlled ablation: a feature pyramid network (FPN) for scale variation induced by resizing binaries of different lengths, ImageNet pretraining, lightweight augmentation through Mixup and TrivialAugment, and schedule-free AdamW optimization. All experiments use a ResNet18 backbone and the provided train/validation/test split. Reproducing the benchmark-style configuration yields macro-F1 (F1_macro) of 0.6510, consistent with the reported baseline of approximately 0.65. Replacing the optimizer with schedule-free AdamW and using unweighted cross-entropy increases F1_macro to 0.6535 in 10 epochs, compared with 96 epochs for the reproduced baseline. The best configuration combines pretraining, Mixup, TrivialAugment, and FPN, reaching F1_macro=0.6927, P_macro=0.7707, AUC_macro=0.9556, and L_test=0.8536. The ablation indicates that the largest gains in F1_macro arise from pretraining and augmentation, whereas FPN mainly improves P_macro, AUC_macro, and L_test in the strongest configuration.
• Abstract（参考訳）: 本稿では,Android APKファイルから派生した公開ベンチマークであるMalNet-Image Tinyの43クラスのマルウェアタイプ分類について検討する。 制御アブレーションで評価された4つのコンポーネントから、コンパクトな画像分類器が恩恵を受けるかどうかを評価することを目的としている。例えば、異なる長さのバイナリのサイズの変更によるスケール変動を誘発する特徴ピラミッドネットワーク(FPN)、ImageNet事前学習、MixupとTrivialAugmentによる軽量化、スケジュールなしAdamW最適化である。 すべての実験ではResNet18バックボーンと提供されたトレイン/バリデーション/テストスプリットが使用されている。 ベンチマーク形式の構成を再現するとマクロF1(F1_macro)は0.6510となり、報告されたベースラインの約0.65と一致する。 スケジュールのないAdamWでオプティマイザをリプレースし、非重みのないクロスエントロピーを使用すると、10エポックではF1_macroが0.6535に増加し、再現されたベースラインでは96エポックとなる。 最高の構成はプレトレーニング、Mixup、TrivialAugment、FPNを組み合わせ、F1_macro=0.6927、P_macro=0.7707、AUC_macro=0.9556、L_test=0.8536に達する。 アブレーションは、F1_macroの最大のゲインが事前訓練および増大によって生じることを示しているが、FPNは主にP_macro、AUC_macro、L_testを最強構成で改善する。

関連論文リスト

• Less is More in Semantic Space: Intrinsic Decoupling via Clifford-M for Fundus Image Classification [13.23226865033351]
  フィードフォワード展開と周波数分割モジュールを疎幾何学的相互作用で置き換える軽量バックボーンであるClifford-Mを提案する。 プリトレーニングなしでは、Clifford-M は平均 AUC-ROC が 0.8142 で、平均マクロF1 が 0.5481 で、ODIR-5K は 0.85M のパラメータしか持たない。
  論文  参考訳（メタデータ） (2026-03-21T13:00:05Z)
• CrackSegFlow: Controllable Flow Matching Synthesis for Generalizable Crack Segmentation with a 50K Image-Mask Benchmark [0.27998963147546135]
  CrackSegFlowは、マスクからの亀裂の合成画像をピクセルレベルのアライメントで描画する制御可能な合成法である。 以上の結果から,合成ペアの追加により,+5.37 mIoUと+5.13 F1のドメイン性能が向上し,ターゲットマスク統計によって誘導されるターゲット誘導クロスドメイン合成では+13.12 mIoUと+14.82 F1のドメイン性能が向上した。
  論文  参考訳（メタデータ） (2026-01-07T06:28:16Z)
• Re$^{\text{2}}$MaP: Macro Placement by Recursively Prototyping and Packing Tree-based Relocating [67.49674976434322]
  この研究は、エキスパート品質のマクロ配置を生成するRe$text2$MaPメソッドを導入している。 我々はDREAMPlaceを使って、混合サイズの配置プロトタイプを構築し、マクロとクラスタごとに参照位置を取得する。 次に、パッキングツリーベースの移動手順を設計し、各グループ内のマクログループとマクロの位置を共同で調整する。
  論文  参考訳（メタデータ） (2025-11-11T09:56:10Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• CFDP: Common Frequency Domain Pruning [0.3021678014343889]
  本稿では,周波数領域を経由したモデルプルーニングのための新しいエンドツーエンドパイプラインを提案する。 我々はCIFAR-10で、GoogLeNetが95.25%、すなわちオリジナルのモデルから+0.2%の精度で達成した。 特筆すべきパフォーマンスに加えて、CFDPによって生成されたモデルは、様々な構成に対して堅牢性を示す。
  論文  参考訳（メタデータ） (2023-06-07T04:49:26Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• MicroNet: Improving Image Recognition with Extremely Low FLOPs [82.54764264255505]
  疎結合性と動的アクティベーション関数の2つの要因が,精度向上に有効であることがわかった。 非線形性を改善するために動的シフトマックスと呼ばれる新しい動的アクティベーション関数を提案する。 私たちはMicroNetというネットワークのファミリに到達し、低FLOP体制下での最先端技術に対して大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2021-08-12T17:59:41Z)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)

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。