論文の概要: Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection

• arxiv url: http://arxiv.org/abs/2605.23623v1
• Date: Fri, 22 May 2026 13:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.36785
• Title: Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection
• Title（参考訳）: 時間的概念ドリフト下での対向的脆弱性: Android マルウェア検出の縦断的研究
• Authors: Ahmed Sabbah, Mohammed Kharma, Radi Jarrar, Samer Zein, David Mohaisen,
• Abstract要約: われわれは,10年以上にわたるAndroidアプリケーションにおいて,長手なドリフト認識による敵の堅牢性の評価を行った。 クリーンパフォーマンスの計測、ASR(Adversarial Accuracy)、ASR(Attack Success Rate)、時間リンクメトリクスの導入などを行う。 その結果, 時間的分離は, 評価された移動型特徴空間設定下での対向ロバスト性低下と関連していることがわかった。
• 参考スコア（独自算出の注目度）: 10.05900892533264
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a longitudinal, drift-aware evaluation of adversarial robustness across more than a decade of Android applications using static and dynamic feature representations extracted from emulator and real-device executions. The dataset is organized into yearly slices and evaluated under three deployment protocols that emulate realistic learning scenarios: (1) same-year training and testing, (2) cross-year deployment without model updates, and (3) expanding-window retraining with cumulative historical data. Across multiple classifier families, adversarial examples are generated using FGSM and SPSA under feasibility constraints. We measure clean performance, Adversarial Accuracy (AA), Attack Success Rate (ASR), and introduce temporal linkage metrics -- RobustDrop, $Δ$ASR, and Adversarial Amplification Factor (AAF) -- to quantify the relationship between distribution shift and robustness degradation.nResults show that temporal separation is associated with reduced adversarial robustness under the evaluated transfer-based feature-space setting. As the train-test gap increases, clean accuracy and adversarial accuracy decline, while attack success exhibits configuration-dependent increases, particularly under FGSM perturbations and static features. Expanding-window retraining mitigates, but does not eliminate, robustness loss under continued distributional evolution. These findings indicate that temporal drift should be considered when assessing the long-term robustness of intelligent detection systems under evolving data distributions and highlight the need for drift-aware robustness assessment frameworks in long-lived adversarial environments.
• Abstract（参考訳）: エミュレータと実デバイス実行から抽出した静的特徴表現と動的特徴表現を用いて,10年以上にわたるAndroidアプリケーションの対向ロバスト性の評価を行う。 データセットは,(1)一年単位のトレーニングとテスト,(2)モデル更新なしでの年単位のデプロイメント,(3)累積的履歴データによる拡大ウィンドウ再トレーニングという,現実的な学習シナリオをエミュレートした3つのデプロイメントプロトコルに基づいて,年単位のスライスと評価を行う。 複数の分類ファミリにまたがって、FGSMとSPSAを用いて、実行可能性制約下で逆例を生成する。 我々は, クリーンな性能, 逆数精度 (AA), 攻撃成功率 (ASR) を計測し, 時間的結合量 (RobostDrop, $Δ$ASR, and Adversarial Amplification Factor (AAF)) を導入し, 分散シフトとロバストネス劣化の関係を定量化する。 列車とテストの間のギャップが増大するにつれて、クリーンな精度と敵の精度が低下する一方、攻撃の成功は、特にFGSMの摂動と静的な特徴の下で、構成に依存した増加を示す。 拡大-ウィンドウ再訓練は緩和されるが、継続的な分布進化の下では頑丈さの損失を排除しない。 これらの結果から, 知的検出システムの長期ロバスト性を評価する際には, 時間的ドリフトを考慮し, 長期の敵環境下でのドリフト認識ロバスト性評価フレームワークの必要性を強調した。

関連論文リスト

• Stabilizing Temporal Inference Dynamics for Online Surgical Phase Recognition [42.76777398447746]
  オンライン外科的位相認識(SPR)モデルはフレームの精度が高いが、その予測は時間的安定性に欠けることが多い。 この不安定性はランダムノイズではなく、2つのメカニズムから生じることを示す。 モデルに依存しないプラグイン・アンド・プレイコンポーネントを用いて時間的推論ダイナミクスを明示的に安定化する統合トレイン・推論・評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T16:56:15Z)
• Real-Time Evaluation of Autonomous Systems under Adversarial Attacks [0.29360071145551064]
  本研究は,実世界の交差点運転データに基づくオフライン軌道学習および対向ロバストネス評価フレームワークを提案する。 我々は、MLP(Multi-Layer Perceptron)ベースの行動クローン(BC)、トランスフォーマーベースのオブジェクトトークン化BC、逆強化学習(IRL)の3つの学習パラダイムを訓練し比較する。 予測時間ロバスト性は、複数の交叉シナリオをまたいだ勾配に基づく逆摂動に対して、訓練されたポリシーを適用することによって評価される。
  論文  参考訳（メタデータ） (2026-05-05T08:30:18Z)
• FIRCE: A Framework for Intrusion Response and Conformal Evaluation [3.3271517946886924]
  FIRCEは侵入応答とコンフォーマル評価のためのフレームワークである。 同型評価に基づく不確実性定量化とドリフト検出をサポートする。 我々は、FIRCEが分散シフトを検出し、モデル再トレーニングをトリガーする能力を実証する。
  論文  参考訳（メタデータ） (2026-05-03T16:48:03Z)
• Evaluation as Evolution: Transforming Adversarial Diffusion into Closed-Loop Curricula for Autonomous Vehicles [43.930171390617055]
  本研究では,敵対的生成を適応的な進化カリキュラムに変換するクローズドループフレームワークであるAccess as Evolution(E2$)を紹介する。 我々は、トポロジ駆動型サポート選択を利用して重要な相互作用エージェントを特定し、トポロジカルアンチョリングを導入し、プロセスの安定化を図る。 実験的に、$E2$はnuScenesデータセットで9.01%、nuPlanデータセットで最大21.43%の衝突故障発見を改善する。
  論文  参考訳（メタデータ） (2026-04-08T01:34:05Z)
• ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
  IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。 本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。 時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
  論文  参考訳（メタデータ） (2026-02-26T23:20:42Z)
• Analyzing and Improving Diffusion Models for Time-Series Data Imputation: A Proximal Recursion Perspective [45.713195454899875]
  拡散モデル(DM)は時系列データインプットを約束している。 DMの性能は複雑なシナリオでは相容れない。 我々はSPIRIT(Semi-proximal Transport Regularized Time-Series Imputation)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:11:57Z)
• Learning Depth from Past Selves: Self-Evolution Contrast for Robust Depth Estimation [42.74561859065153]
  SEC-Depthは自己監督型頑健な深度推定タスクのための自己進化型コントラスト学習フレームワークである。 本手法は多様なベースラインモデルにシームレスに統合し,ゼロショット評価におけるロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-19T06:42:40Z)
• Bridging the Reality Gap in Digital Twins with Context-Aware, Physics-Guided Deep Learning [3.0996501197166975]
  デジタルツイン(DT)は強力な予測分析を可能にするが、シミュレーションと実際のシステムの相違 - 現実のギャップとして知られ、信頼性を損なう。 本稿では,新しいセンサデータを連続的に統合し,誤りを検知し,クエリ応答フレームワークを介してDTを再検討する,DTのためのReal Gap Analysis(RGA)モジュールを提案する。 提案手法は,コンテキスト推論の改善と物理的整合性維持のために,ドメイン・アドバイサル深層学習と低次シミュレータ誘導を融合する。
  論文  参考訳（メタデータ） (2025-05-17T05:18:46Z)
• Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
  欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。 本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。 実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-01-04T13:21:11Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)
• TLIO: Tight Learned Inertial Odometry [43.17991168599939]
  IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。 ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
  論文  参考訳（メタデータ） (2020-07-06T03:13:34Z)

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。