論文の概要: ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification

• arxiv url: http://arxiv.org/abs/2607.03653v1
• Date: Sat, 04 Jul 2026 00:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.674665
• Title: ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification
• Title（参考訳）: ThreatVisionAI:イメージベースのマルウェア分類のためのハイブリッドCNN-ViTフレームワーク
• Authors: Allyson Taylor, Prashanth BusiReddyGari,
• Abstract要約: 本稿では,ハイブリッドマルウェアファミリー分類フレームワークThreatVisionAIを紹介する。 生画像CNN、ウェーブレットベースのCNN、ViT(Vision Transformer)を統合して、マルウェア画像の補完空間、周波数領域、グローバルリレーショナル機能をキャプチャする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional malware detection methods struggle to generalize to obfuscated or previously unseen threats. This paper introduces ThreatVisionAI, a hybrid malware family classification framework that integrates a raw-image CNN, a wavelet-based CNN, and a Vision Transformer (ViT) to capture complementary spatial, frequency-domain, and global relational features in malware images. The wavelet-based CNN captures multi-scale frequency information that helps distinguish closely related families, while the ViT branch models long-range dependencies across the image. Evaluated on the Malimg dataset, ThreatVisionAI achieves 98.01% accuracy and a weighted F1 score of 0.9742, with wavelet-domain features providing measurable gains on minority and visually similar families. These results confirm that frequency-aware and transformer-based representations improve image-based malware family classification.
• Abstract（参考訳）: 従来のマルウェア検出手法は、難読化または以前は目に見えない脅威への一般化に苦慮している。 本稿では、生画像CNN、ウェーブレットベースのCNN、視覚変換器(ViT)を統合したハイブリッドマルウェアファミリー分類フレームワークであるThreatVisionAIを紹介し、マルウェア画像における補完空間、周波数領域、グローバルリレーショナル特徴を捉える。 ウェーブレットベースのCNNは、近縁な家族を識別するのに役立つマルチスケールの周波数情報をキャプチャする一方、ViTブランチは画像全体の長距離依存関係をモデル化する。 マリングデータセットに基づいて評価され、ThreatVisionAIは98.01%の精度と重み付きF1スコアが0.9742であり、ウェーブレットドメインの特徴は少数派や視覚的に類似した家族に測定可能な利得を与える。 これらの結果から,周波数認識とトランスフォーマーに基づく表現が画像ベースのマルウェア群分類を改善することが確認された。

関連論文リスト

• Remote Sensing Image Classification Using Deep Ensemble Learning [4.055490935347531]
  リモートセンシング画像分類のためのCNNとViTの長所を組み合わせた融合モデルを提案する。 提案手法は、UC Merced, RSSCN7, MSRSIデータセットでそれぞれ98.10パーセント、94.46パーセント、95.45パーセントの精度を達成している。
  論文  参考訳（メタデータ） (2026-03-06T02:58:26Z)
• A Multi-Scale Isolation Forest Approach for Real-Time Detection and Filtering of FGSM Adversarial Attacks in Video Streams of Autonomous Vehicles [10.538168393313866]
  画像処理タスクにおけるFGSM攻撃の検出とフィルタリングのための新しい手法を提案する。 提案手法は,FGSM攻撃の影響を軽減し,対向的摂動画像のフィルタリングを効果的に行う。 このメソッドはPythonで実装されており、ソースコードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2025-02-22T02:44:49Z)
• Accelerating Malware Classification: A Vision Transformer Solution [0.0]
  主な課題は、密接に関連するマルウェアファミリーを正確に分類することである。 本稿では,マルウェア検出と分類の最先端結果を生成する新しいアーキテクチャLeViT-MCを提案する。
  論文  参考訳（メタデータ） (2024-09-28T21:34:14Z)
• High-resolution Image-based Malware Classification using Multiple Instance Learning [0.0]
  本稿では,高解像度グレースケール画像と複数インスタンス学習を用いて,マルウェアを家族に分類する方法を提案する。 この実装はMicrosoft Malware Classificationデータセットで評価され、反対に拡大されたサンプルに対して最大96.6%のアキュラシーを達成している。
  論文  参考訳（メタデータ） (2023-11-21T18:11:26Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Prune and distill: similar reformatting of image information along rat visual cortex and deep neural networks [61.60177890353585]
  深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。 ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。 我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
  論文  参考訳（メタデータ） (2022-05-27T08:06:40Z)
• GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
  我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。 自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。 元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
  論文  参考訳（メタデータ） (2022-03-22T17:06:07Z)
• Intriguing Properties of Vision Transformers [114.28522466830374]
  視覚変換器(ViT)は、様々なマシンビジョン問題にまたがって印象的な性能を誇示している。 我々は、この問題を広範囲の実験を通して体系的に研究し、高性能畳み込みニューラルネットワーク(CNN)との比較を行った。 ViTsの効果的な特徴は、自己認識機構によって可能なフレキシブルな受容と動的場によるものであることを示す。
  論文  参考訳（メタデータ） (2021-05-21T17:59:18Z)
• Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning [16.224649756613655]
  画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。 実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。 浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2021-01-26T06:07:46Z)

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。