論文の概要: FDM: A Framework for Decision-making to build ML-based Malware detection systems

• arxiv url: http://arxiv.org/abs/2606.06894v1
• Date: Fri, 05 Jun 2026 04:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.563632
• Title: FDM: A Framework for Decision-making to build ML-based Malware detection systems
• Title（参考訳）: FDM:MLベースのマルウェア検出システム構築のための意思決定フレームワーク
• Authors: Tadiwa Vhito, Jakapan Suaboot, Warodom Werapun, Norrathep Rattanavipanon,
• Abstract要約: 本稿では,MLベースのマルウェア検出システムを構築するためのFDMフレームワークを提案する。 FDMは、9つの設定範囲にまたがる推奨事項に5つの運用パラメータをランク付けしている。 フレームワークを検証するために、3つのデータセットで4つの実験を行った。
• 参考スコア（独自算出の注目度）: 3.552368449344917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting appropriate machine learning (ML) configurations for malware detection is a complex, multi-criteria problem. Model choice, feature engineering, and update mechanisms must jointly satisfy operational constraints that vary across deployment contexts. This paper proposes the Framework for Decision-making (FDM) to build ML-based malware detection systems. The FDM formalises this selection process using the Weighted Configuration Compatibility Score (WCCS), a multi-criteria scoring function mapping five operational parameters (platform constraint, resource budget, response latency, update frequency, and detection sensitivity) to ranked recommendations across nine configuration dimensions. To validate the framework, four experiments were conducted on three datasets (a private Windows API dataset, the public Malimg image benchmark, and an Android static API dataset). Key results include: (i) XGBoost achieved the best accuracy-to-resource ratio in binary classification (97.46 % test accuracy, <70 MB RAM), outperforming LSTM/BiLSTM which consumed up to 2.8 GB; (ii) in multi-class classification, classical models (XGBoost 79.03 %) outperformed recurrent deep models (BiLSTM 72.27 %), reversing the binary ranking; (iii) class-incremental learning with EfficientNetB0 maintained 99.13 % accuracy with only 0.65 pp degradation across 11 incremental steps; (iv) transfer learning reduced training time by 2.14 times on average for image-based malware data without significant accuracy cost; and (v) autoencoder pre-processing yielded a 14 times training speedup at a cost of only 0.86 pp accuracy. These findings confirm that the optimal ML configuration is context-dependent, validating the FDM's core premise and demonstrating its practical utility for cybersecurity practitioners.
• Abstract（参考訳）: マルウェア検出に適切な機械学習(ML)構成を選択することは、複雑で多基準の問題である。 モデル選択、機能エンジニアリング、更新メカニズムは、デプロイメントコンテキストによって異なる運用上の制約を共同で満たさなければならない。 本稿では,MLベースのマルウェア検出システムを構築するためのFDMフレームワークを提案する。 FDMは、Weighted Configuration Compatibility Score (WCCS)を使用して、この選択プロセスを定式化している。 このフレームワークを検証するために、3つのデータセット(プライベートなWindows APIデータセット、パブリックなMalimgイメージベンチマーク、Androidの静的APIデータセット)で4つの実験が行われた。 主な成果は以下のとおりである。 (i)XGBoostは、最大2.8GBを消費するLSTM/BiLSTMより優れたバイナリ分類(97.46 %テスト精度 <70 MB RAM)で最高の精度/リソース比を達成した。 (ii) 古典的モデル (XGBoost 79.03 %) は,2進格を逆転し,再帰的深度モデル (BiLSTM 72.27 %) を上回った。 (iii)EfficientNetB0によるクラス増分学習は99.13%の精度を維持した。 (iv)転送学習は、画像ベースのマルウェアデータに対して、大幅な精度を伴わない平均2.14倍のトレーニング時間を短縮する。 (v)オートエンコーダのプリプロセッシングにより,0.86ppの精度で14倍のトレーニング速度が得られた。 これらの結果は、最適ML構成がコンテキスト依存であることを確認し、FDMの中核的な前提を検証し、サイバーセキュリティ実践者にその実用性を実証した。

関連論文リスト

• Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
  我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。 提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。 大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
  論文  参考訳（メタデータ） (2026-04-16T11:03:11Z)
• Evaluating Small Language Models for Front-Door Routing: A Harmonized Benchmark and Synthetic-Traffic Experiment [0.05586191108738562]
  小型言語モデル(SLM)は、サブ秒、ゼロマージナルコスト、セルフホストタスクの分類に十分な推論能力を持つ。 Study 1はPhi-3.5-mini、Qwen2.5-1.5B、Qwen-2.5-3Bを同一のAzure T4ハードウェア、サービススタック、量子化、固定60ケースコーパスで同期したオフラインベンチマークである。 研究2は、合成トラフィック下で事前登録された4本腕ランダム化実験であり、有効サンプルサイズは腕あたり60ケースである。
  論文  参考訳（メタデータ） (2026-03-26T15:57:46Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• MiniCPM4: Ultra-Efficient LLMs on End Devices [126.22958722174583]
  MiniCPM4は、エンドサイドデバイス向けに明示的に設計された高効率な大規模言語モデル(LLM)である。 この効率性は、モデルアーキテクチャ、トレーニングデータ、トレーニングアルゴリズム、推論システムという4つの重要な側面において、体系的な革新を通じて達成します。
  論文  参考訳（メタデータ） (2025-06-09T16:16:50Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Comparing Hyper-optimized Machine Learning Models for Predicting Efficiency Degradation in Organic Solar Cells [38.647921189039934]
  本研究は,有機太陽電池 (OSC) の電力変換効率 (PCE) に苦しむ時間的劣化を表現するための機械学習モデルを提案する。 製造プロセスと環境条件の両方に関して最大7変数を含む996項目のデータベースを180日間以上作成しました。 一方、根平均二乗誤差(RMSE)、二乗誤差(SSE)の和、および平均絶対誤差(MAE)>1%の目標値であるPCEは、係数決定(R2)の値に達した。
  論文  参考訳（メタデータ） (2024-03-29T22:05:26Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)

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。