論文の概要: EGAMA-RC: Risk-Calibrated Evidence-Gated Adaptive Malware Analysis for Robust and Interpretable Memory-Forensic Triage

• arxiv url: http://arxiv.org/abs/2608.22721v1
• Date: Mon, 24 Aug 2026 02:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.848619
• Title: EGAMA-RC: Risk-Calibrated Evidence-Gated Adaptive Malware Analysis for Robust and Interpretable Memory-Forensic Triage
• Title（参考訳）: EGAMA-RC:ロバストかつ解釈可能なメモリフォレンジックトリアージのためのリスクキャリブレーションによる適応型マルウェア解析
• Abstract要約: EGAMA-RCはメモリフォレンジックマルウェアのトリアージのためのエビデンスゲートフレームワークである。 データセット固有の洗練、モデルプール評価、逆行テストとオープンファミリーテスト、新規性スコアリング、説明条件付きエビデンス、実行時対応ルーティングを組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning malware detectors often achieve high clean-data accuracy, but operational triage also requires evidence about uncertainty, novelty, robustness, interpretability, latency, and review cost. This paper presents EGAMA-RC, a risk-calibrated evidence-gated framework for memory-forensic malware triage. Building on SHAP-guided feature refinement, EGAMA-RC combines dataset-specific refinement, model-pool evaluation, adversarial and open-family testing, novelty scoring, explanation-conditioned evidence, and runtime-aware routing. Low-risk samples are accepted automatically, while uncertain, high-risk, or potentially novel cases are routed to review, escalation, or novelty-aware handling. Across three malware datasets and a frozen multi-seed protocol, the selected hybrid gate accepts 93.12% of pooled samples with 99.86% accepted accuracy and a 0.136% false-accept rate. Novelty calibration reduces over-restrictive review behavior while preserving a low unsafe-accept profile. XGBoost provides lightweight fast-path inference with p50/p95 latency of 0.0054/0.0059 ms per sample. The results show that dependable malware analysis requires risk-calibrated routing, novelty awareness, and controlled analyst review, not classification accuracy alone.
• Abstract（参考訳）: 機械学習マルウェア検出器は、しばしば高いクリーンデータ精度を達成するが、運用トリアージには、不確実性、ノベルティ、堅牢性、解釈可能性、レイテンシ、レビューコストに関する証拠も必要である。 本稿では,メモリフォレンジックマルウェアトリアージのためのリスク校正型エビデンスゲートフレームワークであるEGAMA-RCを提案する。 EGAMA-RCは、SHAP誘導機能強化に基づいて、データセット固有の洗練、モデルプールの評価、敵とオープンファミリーのテスト、新規性スコアリング、説明条件付きエビデンス、実行時対応ルーティングを組み合わせた。 低リスクのサンプルは自動的に受理されるが、不確実、高リスク、または潜在的に新規なケースは、レビュー、エスカレーション、新規な対応のためにルートされる。 3つのマルウェアデータセットと凍結したマルチシードプロトコルで、選択されたハイブリッドゲートは93.12%のプールされたサンプルを受け取り、99.86%の精度と0.136%の偽受け入れ率を持つ。 ノベルティ・キャリブレーションは、低いアンセーフ・アクセプションプロファイルを維持しながら、過剰なレビューの振る舞いを減少させる。 XGBoostは、p50/p95レイテンシが0.0054/0.0059msの軽量な高速パス推論を提供する。 その結果,信頼性の高いマルウェア分析には,リスク校正されたルーティング,新規性認識,制御されたアナリストレビューが必要であることが示唆された。

関連論文リスト

• Trustworthy RAG: An Evaluation Agent for Detecting Misinformation and Knowledge Poisoning in Generative AI Systems [1.7327102304628392]
  Retrieval-Augmented Generation (RAG) は、Large Language Model (LLM) を外部知識で出力する。 本稿では,自然言語推論(NLI)の事実検証,関連性重み付けによる5信号毒素検出,信頼指数T = 0.4 F + 0.35 C + 0.25 (1 - P) を組み合わせた評価エージェントを提案する。 Llama 3.3 70BのTrathfulQAでは、エージェントは91%の精度と100%の精度に達し、インストラクションインジェクションで100%リコールされる。
  論文  参考訳（メタデータ） (2026-08-21T13:42:41Z)
• Do Not Forget the Obvious - RISC: A Risk-Informed Slice-Coverage Protocol for Safe Autonomous Driving [1.7138957697358534]
  RISC (Risk-Informed Slice Coverage) はリスク誘導型ストレステストとカバレッジ品質評価のための実用的なプロトコルである。 我々は、Zenseact Openデータセットから1000フレームを用いて、単眼歩行知覚のためのプロトコルをインスタンス化する。 この概念実証研究では、リスク誘導選択は、ランダムサンプリング下の34.0%から98.5%に臨界障害発見を増大させる。
  論文  参考訳（メタデータ） (2026-08-12T13:32:25Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• VNDUQE: Information-Theoretic Novelty Detection using Deep Variational Information Bottleneck [4.618615226841302]
  深部変分情報ボトルネック(VIB)による新規性検出の検討 我々は,MNIST 上の VIB モデルを保持桁クラスで学習し,情報理論の指標である KL の発散と予測エントロピーを用いて OOD 検出を評価する。
  論文  参考訳（メタデータ） (2026-05-12T05:31:44Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)
• SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration [0.0]
  この作業では、AI駆動の三層検出フレームワークであるSecureScanが紹介されている。 VirusTotal APIを通じて、ロジスティック回帰に基づく分類、分析、外部脅威インテリジェンスを統合する。 ベンチマークデータセットでは、SecureScanは93.1%の精度でバランスの取れた精度を実現している。
  論文  参考訳（メタデータ） (2026-02-11T11:26:11Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Uncovering Overconfident Failures in CXR Models via Augmentation-Sensitivity Risk Scoring [1.9837702647603577]
  胸部X線写真(CXR)症例を同定するために,ASRS(Augmentation-sensitive risk score)フレームワークを提案する。 ASRSのスコアは、サンプルを安定四成分に成層化し、非常に敏感なケースではリコールがかなり低い。 ASRSは、選択的な予測と臨床レビューのためのラベルなしの手段を提供し、医療AIの公正性と安全性を改善している。
  論文  参考訳（メタデータ） (2025-10-02T05:15:40Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)

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。