論文の概要: A Multi-task Mixture of Experts Framework for Malware Classification, Packing Detection, and Family Attribution

• arxiv url: http://arxiv.org/abs/2606.30572v1
• Date: Mon, 29 Jun 2026 17:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.357284
• Title: A Multi-task Mixture of Experts Framework for Malware Classification, Packing Detection, and Family Attribution
• Title（参考訳）: マルウェア分類・パッケージ検出・家族属性のためのエキスパートフレームワークのマルチタスク混合
• Abstract要約: 本研究では,Mixture of Experts (MoE)アーキテクチャに基づくマルチタスクマルウェア解析フレームワークを提案する。 同時に3つの重要なタスクを実行する: マルウェアの家族分類、パック対アンパック検出、マルウェア対良性識別である。 均質なMoE, 異質なMoE, マルチゲートなMoEなど, 複数のアーキテクチャのバリエーションについて検討する。
• 参考スコア（独自算出の注目度）: 2.008200933045584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malware classification remains a challenging problem due to its inherent heterogeneity, the presence of packed binaries, and the diverse distribution of malware families. Traditional single-model detection mechanisms often fail to generalize across such diverse data, leading to degraded performance, particularly on obfuscated and rare malware samples. In this work, we propose a unified multi-task malware analysis framework based on Mixture of Experts (MoE) architectures. The proposed system evaluates performance across two different input representations, i.e., high-dimensional EMBER feature sets and raw 1D byte arrays extracted from Portable Executable files. It simultaneously performs three critical tasks: malware family classification, packed versus unpacked detection, and malware versus benign identification. By decomposing the problem into specialized expert networks and employing adaptive gating mechanisms, the model enables effective task-specific learning while maintaining overall scalability. We investigate multiple architectural variants, including Homogeneous MoE, Heterogeneous MoE, and Multi-Gate MoE (MMoE). Performance is evaluated in both standard and adversarial settings using original and mutated samples. The obtained results demonstrate that the Multi-Gate MoE model achieves the best performance, reaching a combined detection rate of 0.9744 with only $2.56\%$ failure rate. Moreover, this configuration exhibits improved robustness under mutation-induced distribution shifts. Our findings highlight the effectiveness of expert specialization and task-specific routing in handling complex malware distributions, making the proposed framework a promising direction for scalable and resilient malware detection systems.
• Abstract（参考訳）: マルウェアの分類は、固有の異種性、満員のバイナリの存在、マルウェアファミリーの多様な分布など、依然として困難な問題である。 従来の単一モデル検出機構は、このような多様なデータにまたがる一般化に失敗することが多く、特に難読化や希少なマルウェアのサンプルにおいて、性能が低下する。 本研究では,Mixture of Experts (MoE)アーキテクチャに基づくマルチタスクマルウェア解析フレームワークを提案する。 提案システムでは,Portable Executableファイルから抽出した高次元EMBER特徴集合と生の1Dバイト配列という,2つの異なる入力表現のパフォーマンスを評価する。 同時に3つの重要なタスクを実行する: マルウェアの家族分類、パック対アンパック検出、マルウェア対良性識別である。 問題を専門的な専門家ネットワークに分解し、適応的なゲーティング機構を採用することにより、全体的なスケーラビリティを維持しながら、効果的なタスク固有の学習を可能にする。 均質なMoE, 異質なMoE, マルチゲートなMoE (MMOE) など, 複数のアーキテクチャのバリエーションについて検討する。 元のサンプルと修正されたサンプルを用いて、標準設定と逆設定の両方で性能を評価する。 その結果,Multi-Gate MoEモデルが最も優れた性能を示し,0.9744と2.56\%の故障率しか検出できないことがわかった。 さらに、この構成は突然変異誘起分布シフト下での堅牢性の向上を示す。 本研究は,複雑なマルウェアの分散処理における専門家の専門化とタスク固有のルーティングの有効性を強調し,スケーラブルでレジリエントなマルウェア検出システムにおいて,提案するフレームワークが有望な方向であることを示す。

関連論文リスト

• SuppreSensing: Expert-Guided Feature Recalibration and Discrepancy Augmentation for Multimodal Object Detection [19.446402308279676]
  本稿では,多モード融合を選択的協調プロセスとして再構成するSuppreSensingを提案する。 SupreSensingは、最初にExpert-driven Multimodal Feature Recalibration (EMFR)モジュールを設計した。 モーダリティ固有の拡張戦略を用いて、特定のモーダリティの特徴を属性とする。 DroneVehicleとVEDAIデータセットの実験は、SuppreSensingが最先端の検出パフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2026-08-21T10:06:00Z)
• Malformer: A Multi-Modal Malware Detector Using Transformers [2.8093059118703345]
  我々は、Windows実行ファイルのテキスト、画像、グラフ、音声表現を組み込んだ4次マルウェア検出モデルであるMalformerを提案する。 マルフォーマーの精度は98.3%、F1スコアは0.9833で、単調なベースラインとバイモーダル検出器を4.6-17.6ポイント上回った。
  論文  参考訳（メタデータ） (2026-08-19T15:46:28Z)
• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
  この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。 人間の偽造の多様な意図と反復的なプロセスを捉える方法。 ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
  論文  参考訳（メタデータ） (2025-09-16T01:05:01Z)
• RouteMark: A Fingerprint for Intellectual Property Attribution in Routing-based Model Merging [69.2230254959204]
  我々は,統合されたMoEモデルにおけるIP保護のためのフレームワークであるRouteMarkを提案する。 我々の重要な洞察は、タスク固有の専門家は、探索入力の下で安定かつ独特なルーティング行動を示すことである。 属性と改ざん検出のために,類似性に基づくマッチングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-08-03T14:51:58Z)
• Cluster-Driven Expert Pruning for Mixture-of-Experts Large Language Models [24.64757529640278]
  クラスタ駆動のExpert Pruning(C-Prune)は、大規模言語モデルの適応的なタスク固有圧縮のための新しい2段階のフレームワークである。 C-Pruneはレイヤワイドの専門家クラスタリングを通じて動作し、各MoE層内で機能的に類似した専門家をグループ化する。 複数のMoEモデルとベンチマークの広範な実験を通じてC-Pruneを検証する。
  論文  参考訳（メタデータ） (2025-04-10T14:46:26Z)
• MAMM-Refine: A Recipe for Improving Faithfulness in Generation with Multi-Agent Collaboration [63.31211701741323]
  我々はマルチエージェント・マルチモデル推論を生成にまで拡張し、特に改良による忠実度の向上を図っている。 我々は,各サブタスクに対して固有の評価を設計し,マルチエージェント(複数インスタンス)とマルチモデル(多変数LPMタイプ)の両方がエラー検出やクオリティクスに有効であることを示す。 我々はこれらの知見を、マルチエージェント・マルチモデル・リファインメント(MAMM-Refinement)と呼ばれる最終的な"レシピ"に統合し、マルチエージェント・マルチモデルコラボレーションがパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-19T14:46:53Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• Cross-System Categorization of Abnormal Traces in Microservice-Based Systems via Meta-Learning [8.634734590552537]
  TraFaultDiaは、異常トレースを自動的にMSSの障害カテゴリに分類するAIOpsフレームワークである。 TraFaultDiaはTraTicketとOnlineBoutiqueの新しい50の分類タスクで93.26%と85.20%の精度を達成した。 システム横断の文脈では、TraFaultDiaがトレーニング対象と異なるMSSに適用された場合、TraFaultDiaの平均精度は92.19%、84.77%となる。
  論文  参考訳（メタデータ） (2024-03-27T20:38:04Z)
• MDENet: Multi-modal Dual-embedding Networks for Malware Open-set Recognition [17.027132477210092]
  本稿では,MDENetと呼ばれるマルチモーダルデュアルエンベッドネットワークを提案する。 また、以前提案した大規模マルウェアデータセットであるMAL-100をマルチモーダル特性で強化する。
  論文  参考訳（メタデータ） (2023-05-02T08:09:51Z)

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。