論文の概要: A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models

• arxiv url: http://arxiv.org/abs/2608.12077v1
• Date: Wed, 12 Aug 2026 14:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.598297
• Title: A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models
• Title（参考訳）: Grad-CAMとハイブリッド学習モデルを用いたマルウェア画像変換の比較
• Abstract要約: 我々は、eXplainable AI(XAI)ツールとしてGradient-weighted Class Activation Maps(Grad-CAM)を用いて、マルウェアサンプルから8つの異なるイメージタイプを分析する。 筆者らは,MobileNetV2 Convolutional Neural Networkモデルを用いて,Grad-CAM画像から抽出した特徴に基づいて学習したランダムフォレストモデルを用いて,マルウェア群17種に対して0.777の精度を達成したことを示す。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies have shown that binary-to-image representations can enable effective machine learning-based results for malware detection and classification. However, performance can vary significantly, depending on the technique used to convert binaries to images. Furthermore, the explainability and interpretability of image-based models is largely unexplored within the malware domain. In this research, we employ Gradient-weighted Class Activation Maps (Grad-CAM) as an eXplainable AI (XAI) tool, which we use to analyze eight distinct image types derived from malware samples. We provide quantitative faithfulness and stability metrics for Grad-CAM heatmaps and we compare these heatmaps to High-Resolution Class Activation Mappings (HiResCAM). We also show that Grad-CAM heatmaps can provide useful information for malware classification. Specifically, we show that a Random Forest model trained on features extracted from Grad-CAM images via a MobileNetV2 Convolutional Neural Network (CNN) model achieves a test accuracy of 0.777 across 17 malware families, exceeding a previous benchmark of 0.750 for this same dataset. A key finding of this research is that for the malware image transformations considered, accuracy and explanation faithfulness do not coincide, e.g., image transformation techniques that produce the most faithful explanations yield only mid-tier accuracy.
• Abstract（参考訳）: 近年の研究では、バイナリ・ツー・イメージの表現により、マルウェアの検出と分類に機械学習による効果的な結果が得られることが示されている。 しかし、バイナリを画像に変換する技術によって、性能は著しく異なる。 さらに、画像ベースモデルの説明可能性と解釈性は、主にマルウェア領域内で探索されていない。 本研究では,Grad-CAM(Grad-CAM)をeXplainable AI(XAI)ツールとして使用し,マルウェアサンプルから派生した8種類の画像タイプを分析する。 我々は,Grad-CAMヒートマップに対する定量的忠実度と安定性の指標を提供し,これらのヒートマップをHiResCAM(High-Resolution Class Activation Mappings)と比較した。 また,Grad-CAMヒートマップがマルウェア分類に有用な情報を提供することを示す。 具体的には、MobileNetV2 Convolutional Neural Network (CNN)モデルを介してGrad-CAM画像から抽出した特徴に基づいてトレーニングされたランダムフォレストモデルが、17のマルウェア群に対して0.777の精度を達成し、同じデータセットに対して0.750のベンチマークを上回りました。 この研究の重要な発見は、マルウェア画像変換を考慮に入れた場合、精度と説明の忠実度は一致しない、例えば、最も忠実な説明を生成する画像変換技術は、中間層の精度しか得られないということである。

関連論文リスト

• Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection [107.62647907393377]
  Webスケールデータセットに事前トレーニングされた大規模ビジョンモデル(LVM)は、例外的な一般化能力を示している。 1)データアクセスなしで未学習を誘発するデータフリー検出法,2)LVMを生成画像に関連付けられた未学習の知識に最適化するデータ駆動検出法,である。
  論文  参考訳（メタデータ） (2026-08-01T15:33:15Z)
• Semantic-Aware Reconstruction Error for Detecting AI-Generated Images [22.83053631078616]
  本稿では,画像とキャプション誘導再構成のセマンティック・アウェア・リコンストラクション・エラー(SARE)を計測する新しい表現を提案する。 SAREは、さまざまな生成モデル間で偽画像を検出するための堅牢で差別的な機能を提供する。 また,SAREを背骨検出器に統合する融合モジュールを,クロスアテンション機構を介して導入する。
  論文  参考訳（メタデータ） (2025-08-13T04:37:36Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Automated detection of motion artifacts in brain MR images using deep learning and explainable artificial intelligence [0.0]
  本研究は,T1強調脳画像における剛性運動を検出する深層学習モデルを示す。 このモデルは6つのモーションシミュレーションされた振り返りデータセットで85%と80%の平均精度とリコール基準を達成した。 このモデルはArtifactIDツールの一部であり、ギブスリング、ラップアラウンド、モーションアーティファクトのインライン自動検出を目的としている。
  論文  参考訳（メタデータ） (2024-02-13T19:36:23Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images [0.0]
  畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
  論文  参考訳（メタデータ） (2022-12-28T11:48:29Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Virus-MNIST: Machine Learning Baseline Calculations for Image Classification [0.0]
  Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。 ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
  論文  参考訳（メタデータ） (2021-11-03T17:44:23Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• 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。