Fugu-MT 論文翻訳(概要): Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning

論文の概要: Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning

arxiv url: http://arxiv.org/abs/2608.02348v1
Date: Mon, 03 Aug 2026 15:01:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.613869
Title: Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning
Title（参考訳）: 2元プログラムクラスタリングのための自己教師付き表現:実証研究から検索学習へ
Abstract要約: 本研究では,バイナリプログラムクラスタリングのためのSSL法とTRL法について,初めて体系的な研究を行った。 VIME は VIME の検索強化拡張であり、ランダムな限界分布の破損を検索ベースの拡張に置き換え、より情報に富んだトレーニングペアを生成する。 VIME-RはVIMEをさらに改善し、両方のデータセットで2.7%-5.8%の均一性を達成している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Malware clustering is a critical task in cybersecurity that helps discover threats and analyze evolving malware families. While self-supervised learning (SSL) and tabular representation learning (TRL) have achieved breakthroughs in other domains, their application to binary program clustering (the task of clustering all incoming samples regardless of label) remains largely unexplored. This study presents the first systematic investigation of SSL and TRL methods for binary program clustering, conducted in two phases on the public Ember and Bodmas datasets. In Phase 1, we establish a performance ceiling by adapting prominent vision-based SSL models (BYOL, SimSiam, Barlow Twins, VICReg) for tabular data with supervised pair generation, finding that BYOL and SimSiam achieve performance comparable to fully supervised models, while Barlow Twins and VICReg significantly underperform. In Phase 2, we evaluate purely unsupervised TRL methods against strong baselines (PCA, Autoencoder, UMAP), demonstrating that VIME establishes a new state of the art for binary program clustering. Informed by these findings, we propose VIME-R, a retrieval-augmented extension of VIME that replaces random marginal-distribution corruption with retrieval-based augmentation to generate more informative training pairs. VIME-R further improves upon VIME, achieving 2.7\%-5.8\% higher Homogeneity on both datasets. Our results highlight retrieval-augmented tabular representation learning as a promising direction for enhancing automated malware analysis. Code will be made available.
Abstract（参考訳）: マルウェアクラスタリングはサイバーセキュリティにおいて重要なタスクであり、脅威を発見し、進化するマルウェアファミリーを分析するのに役立つ。自己教師付き学習(SSL)と表表表現学習(TRL)は、他の領域でブレークスルーを達成したが、バイナリプログラムクラスタリング(ラベルに関係なく全てのサンプルをクラスタリングするタスク)への応用は、まだほとんど探索されていない。本研究では,バイナリプログラムクラスタリングのためのSSLおよびTRL手法を,公開EmberおよびBodmasデータセット上で2段階に分けて検討した。フェーズ1では、BYOL、SimSiam、Barlow Twins、VICRegといった著名なビジョンベースのSSLモデルを、教師付きペア生成による表計算データに適用し、BYOLとSimSiamが完全に教師付きモデルに匹敵する性能を達成するのに対して、Barlow TwinsとVICRegは大幅に性能が低下していることを見出した。第2相では,強いベースライン(PCA, Autoencoder, UMAP)に対して純粋に教師なしTRL法を評価し,VIMEがバイナリプログラムクラスタリングのための新しい最先端技術を確立していることを示す。これらの知見からVIME-Rを提案する。VIMEの検索拡張は、ランダムな辺縁分布汚職を検索に基づく拡張に置き換え、より情報に富んだトレーニングペアを生成する。 VIME-RはVIMEをさらに改善し、両方のデータセット上で2.7\%-5.8\%の均一性を達成している。本研究は,自動マルウェア解析を向上するための有望な方向として,検索強化表表表現学習に注目した。コードは利用可能になる。

関連論文リスト

Fully Differentiable Bidirectional Dual-Task Synergistic Learning for Semi-Supervised 3D Medical Image Segmentation [3.9950415168730107]
半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。我々は,4つの重要なSSLコンポーネントをシームレスに統合し,拡張する,完全に微分可能な双方向シナジスティックラーニング(DBiSL)フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-10T03:44:24Z)
MA2CL:Masked Attentive Contrastive Learning for Multi-Agent Reinforcement Learning [128.19212716007794]
我々はtextbfMulti-textbfAgent textbfMasked textbfAttentive textbfContrastive textbfLearning (MA2CL) という効果的なフレームワークを提案する。 MA2CLは、潜伏空間におけるマスクされたエージェント観察を再構築することにより、時間的およびエージェントレベルの予測の両方の学習表現を奨励する。提案手法は,様々なMARLアルゴリズムの性能とサンプル効率を大幅に向上させ,様々な視覚的,状態的シナリオにおいて,他の手法よりも優れる。
論文参考訳（メタデータ） (2023-06-03T05:32:19Z)
Robust Representation Learning by Clustering with Bisimulation Metrics for Visual Reinforcement Learning with Distractions [9.088460902782547]
Bisimulation Metrics (CBM) によるクラスタリングは、潜在空間における視覚的観察をグループ化することで、堅牢な表現を学習する。 CBMは,(1)実測距離を学習プロトタイプと測定することで観測をグループ化すること,(2)現在のクラスタ割り当てに従ってプロトタイプの集合を学習すること,の2つのステップを交互に行う。実験により、CBMは一般的なビジュアルRLアルゴリズムのサンプル効率を大幅に改善することが示された。
論文参考訳（メタデータ） (2023-02-12T13:27:34Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
UniASM: Binary Code Similarity Detection without Fine-tuning [2.2329530239800035]
モデルがバイナリコードの複雑なニュアンスをキャプチャすることを保証するために,新しいリッチ・セマンティック関数表現手法を提案する。新たに設計された2つのトレーニングタスクを含むUniASMという,UniLMベースのバイナリコード埋め込みモデルを紹介した。実験の結果,UniASMは評価データセットに対する最先端(SOTA)アプローチよりも優れていた。
論文参考訳（メタデータ） (2022-10-28T14:04:57Z)
Self-supervised Learning for Clustering of Wireless Spectrum Activity [0.16777183511743468]
実世界の未ラベルデータにおけるスペクトルの探索における自己教師あり学習(SSL)の利用について検討する。抽出した特徴量やクラスタリング性能に関して,SSLモデルにより優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-09-22T11:19:49Z)
Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文参考訳（メタデータ） (2021-11-18T06:58:19Z)
Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文参考訳（メタデータ） (2021-11-10T06:53:03Z)
Incremental cluster validity index-guided online learning for performance and robustness to presentation order [1.7403133838762446]
この研究は、教師なしおよび半教師なしオンライン学習にiCVIを用いた最初のアダプティブ共振理論(ART)に基づくモデルを導入する。また、初めてiCVIを使用して、iCVIベースのマッチトラッキング機構を介してART警戒を制御する方法も示している。このモデルは、オンラインiCVIフレームワークをトポロジカル適応共振理論予測写像(TopoARTMAP)のモジュールBとして統合することにより、注文効果の精度と堅牢性を向上させる。
論文参考訳（メタデータ） (2021-08-17T16:24:25Z)
Mixing Consistent Deep Clustering [3.5786621294068373]
良い潜在表現は、2つの潜在表現の線形を復号する際に意味的に混合出力を生成する。本稿では,表現をリアルに見せるための混合一貫性深層クラスタリング手法を提案する。提案手法は,クラスタリング性能を向上させるために,既存のオートエンコーダに付加可能であることを示す。
論文参考訳（メタデータ） (2020-11-03T19:47:06Z)
Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文参考訳（メタデータ） (2020-10-01T17:51:49Z)
Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2020-08-23T13:16:34Z)

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。