論文の概要: Concept Drift Detection and Adaptive Retraining of Malware Classification Models
- arxiv url: http://arxiv.org/abs/2608.13465v1
- Date: Thu, 13 Aug 2026 16:46:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.609571
- Title: Concept Drift Detection and Adaptive Retraining of Malware Classification Models
- Title（参考訳）: マルウェア分類モデルのコンセプトドリフト検出と適応的再学習
- Abstract要約: 概念ドリフト(concept drift)とは、学習モデルのトレーニングに使用されたデータと比較して、データの統計的性質の変化を経時的に指す。
本章では、自動ドリフト検出のための機械学習に基づく2つのアプローチを分析する。
これら3つの概念ドリフト検出手法は,周期的再学習に匹敵する分類精度を実現する。
- 参考スコア（独自算出の注目度）: 0.1957338076370071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concept drift refers to changes over time in the statistical properties of data, as compared to the data that was used to train a learning model. Machine learning models for malware detection or classification are particularly susceptible to performance degradation caused by concept drift, as attackers constantly modify existing malware. In this chapter, we analyze two machine learning-based approaches to automated concept drift detection-a novel approach based on One-Class Support Vector Machines (OCSVM) and a previously-studied technique based on Minibatch K-Means (MK-Means). For comparison we also consider Maximum Mean Discrepancy (MMD), a statistical technique for detecting changes in multidimensional data. We conduct an extensive series of experiments comparing the effectiveness of four learning models, namely, Multilayer Perceptron, Random Forest, Support Vector Machines, and eXtreme Gradient Boosting. For each of these models, we consider three distinct scenarios: A static scenario where no model retraining occurs, a periodic scenario where models are constantly retrained irrespective of concept drift, and a drift-aware scenario where models are only retrained when concept drift is detected. Under the drift-aware scenario, we analyze the tradeoff between accuracy and training efficiency using Pareto Front analysis. We find that all three concept drift detection techniques achieve classification accuracy comparable to periodic retraining, while offering substantially greater efficiency in terms of the number of models that must be retrained. In addition, drift-aware retraining based on our OCSVM technique generally outperforms the MK-Means and MMD approaches. Overall, these results provide strong evidence that we can accurately detect concept drift in malware classification models.
- Abstract（参考訳）: 概念ドリフト(concept drift)とは、学習モデルのトレーニングに使用されたデータと比較して、データの統計的性質の変化を経時的に指す。
マルウェア検出や分類のための機械学習モデルは、攻撃者が常に既存のマルウェアを修正しているため、コンセプトドリフトによるパフォーマンス劣化に特に影響を受けやすい。
本章では,1クラスサポートベクトルマシン(OCSVM)に基づく新しいアプローチと,Minibatch K-Means(MK-Means)に基づく先行研究手法の2つの機械学習に基づく自動ドリフト検出手法を解析する。
比較のために、多次元データの変化を検出する統計的手法である最大平均離散性(MMD)についても検討する。
我々は,多層パーセプトロン,ランダムフォレスト,サポートベクトルマシン,eXtreme Gradient Boostingの4つの学習モデルの有効性を比較検討した。
モデル再トレーニングを行わない静的シナリオ,概念のドリフトによらずモデルを定期的に再トレーニングする周期シナリオ,概念のドリフトを検出する場合にのみモデルを再トレーニングするドリフト対応シナリオ,の3つのシナリオを検討する。
ドリフトを意識したシナリオでは,Pareto Front解析を用いて精度とトレーニング効率のトレードオフを分析する。
これら3つの概念ドリフト検出手法は, 周期的再学習に匹敵する分類精度を達成し, また, 再訓練すべきモデルの数に関して, はるかに高い効率性を提供する。
さらに、OCSVM技術に基づくドリフトアウェア再トレーニングは、一般的にMK-MeansやMDアプローチよりも優れている。
これらの結果は,マルウェア分類モデルにおいて,概念の漂流を正確に検出できることを示す強力な証拠となる。
関連論文リスト
- DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - ADAPT: A Pseudo-labeling Approach to Combat Concept Drift in Malware Detection [0.8192907805418583]
データ分散の変更に機械学習モデルを適用するには、頻繁な更新が必要である。
我々は、コンセプトドリフトに対処するための新しい擬似ラベル付き半教師付きアルゴリズムであるtexttADAPTを紹介する。
論文 参考訳（メタデータ） (2025-07-11T13:47:07Z) - Cluster Analysis and Concept Drift Detection in Malware [1.3812010983144798]
概念ドリフト(concept drift)とは、機械学習モデルの精度に影響を与えるデータの特性の漸進的または突然の変化を指す。
マルウェア領域におけるコンセプトドリフトを検出するためのクラスタリングに基づく手法を提案し,解析する。
論文 参考訳（メタデータ） (2025-02-19T22:42:30Z) - Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳（メタデータ） (2024-10-30T17:20:10Z) - Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification [17.399454244765842]
DREAMはドリフトの検出を改善し、説明適応プロセスを確立する新しいシステムである。
評価の結果,DREAMはドリフト検出精度を効果的に向上し,適応における専門家分析の労力を削減できることがわかった。
論文 参考訳（メタデータ） (2024-05-07T07:55:45Z) - Uncovering Drift in Textual Data: An Unsupervised Method for Detecting
and Mitigating Drift in Machine Learning Models [9.035254826664273]
機械学習におけるドリフト(drift)とは、モデルが動作しているデータやコンテキストの統計的性質が時間とともに変化し、性能が低下する現象を指す。
提案手法では, 目標分布として生産データのサンプルを符号化し, モデルトレーニングデータを基準分布として符号化する。
また,ドリフトの根本原因である生産データのサブセットも同定する。
これらの高ドリフトサンプルを用いて再トレーニングしたモデルでは、オンライン顧客エクスペリエンスの品質指標のパフォーマンスが改善された。
論文 参考訳（メタデータ） (2023-09-07T16:45:42Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - Autoregressive based Drift Detection Method [0.0]
我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。
以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-03-09T14:36:16Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z)
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。