論文の概要: Windows Malware Detector as a Compound AI System: Trade-Offs in Accuracy, Efficiency, and Adversarial Robustness

• arxiv url: http://arxiv.org/abs/2609.08394v1
• Date: Tue, 08 Sep 2026 08:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:37:42.2336
• Title: Windows Malware Detector as a Compound AI System: Trade-Offs in Accuracy, Efficiency, and Adversarial Robustness
• Title（参考訳）: 複合AIシステムとしてのWindowsマルウェア検出器:精度、効率、対人ロバスト性のトレードオフ
• Abstract要約: 産業用Windowsマルウェア検知器は、複数の異種成分からなる複合AIシステムとして一般的に説明されている。 本稿では,検出性能,計算条件,堅牢性のトレードオフをバランスさせる新しい手法を提案する。 また、攻撃者が様々な知識を活用して複合AIシステム全体を回避する方法をキャプチャするシステムレベルの脅威モデルも導入する。
• 参考スコア（独自算出の注目度）: 11.831677944302614
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Industrial Windows malware detectors are commonly described as Compound AI Systems composed of multiple heterogeneous components, including rule-based mechanisms as well as machine-learning-based static and dynamic analyses. However, due to industrial secrecy and limited public disclosure, the internal architectures of these systems can only be inferred, rendering systematic evaluations of detection accuracy, computational costs, and adversarial robustness largely infeasible. In contrast, academic research provides reproducible and transparent evaluation methodologies, but typically investigates individual detection components in isolation. To bridge the gap between academic research and industrial practice, and inspired by state-of-the-art industrial architectures for Windows malware detection, we propose a novel methodology that (i) explicitly balances the trade-off among detection performance, computational requirements, and robustness, and introduces (ii) system-level threat models that capture how attackers exploit different degrees of knowledge to evade the entire Compound AI System rather than isolated detectors. Experiments conducted on real-world data demonstrate that the Compound AI System training time can be reduced and responsiveness improved while incurring only a marginal loss in detection performance. Leveraging our threat modeling, we show that increasingly knowledgeable attackers craft more effective adversarial examples, revealing the system's strengths and weaknesses, degrading its responsiveness, and exposing a direct trade-off between efficiency and robustness. Finally, we translate these trade-offs into take-home messages and deployment guidelines, helping practitioners to select the system that best matches their operational constraints.
• Abstract（参考訳）: 産業用Windowsマルウェア検出装置は、ルールベースのメカニズムや機械学習ベースの静的および動的分析を含む、複数の異種成分からなる複合AIシステムとして一般的に説明されている。 しかし、産業機密性や公開の制限により、これらのシステムの内部構造は推測されるだけで、検出精度、計算コスト、対向ロバスト性を体系的に評価することが可能になる。 対照的に、学術研究は再現可能で透明な評価手法を提供するが、通常は個別の検出要素を分離して調査する。 学術研究と産業実践のギャップを埋め、Windowsマルウェア検出の最先端産業アーキテクチャに触発されて、我々は新しい手法を提案する。 一 検出性能、計算要求、堅牢性のトレードオフを明確にバランスさせ、導入すること (ii)システムレベルの脅威モデルでは、攻撃者が様々な知識を活用して、孤立した検知器ではなく複合AIシステム全体を回避している。 実世界のデータを用いた実験では、複合AIシステムのトレーニング時間が短縮され、応答性が向上し、検出性能に限界損失しか生じないことが示された。 脅威モデリングを活用することで、ますます知識のある攻撃者がより効果的な敵の例を作成し、システムの強みと弱さを明らかにし、応答性を低下させ、効率性と堅牢性の間の直接的なトレードオフを明らかにする。 最後に、これらのトレードオフをテイクホームメッセージやデプロイメントガイドラインに変換し、実践者が運用上の制約に最も合うシステムを選択するのを助ける。

関連論文リスト

• Quantifying System-Level Harms from AI Adoption in Complex Sociotechnical Systems [4.1508766371734795]
  現在のAI評価はモデル中心であり、観察された振る舞いがシステムレベルのリスクにどのように変換されるかについての洞察はほとんどない。 本稿では,構造的ハザード解析,コンポーネントレベルのテスト,確率的システムモデリングをリンクするフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-24T23:20:58Z)
• RIFT-Bench: Dynamic Red-teaming For Agentic AI Systems [4.789897887600273]
  グラフ表現駆動型動的リピート手法であるRIFT-Benchを紹介する。 RIFT-Benchは、システム構造を抽出するDiscoveryと、適応的な敵攻撃を展開するScanningの2つの自動化フェーズで動作する。 多様な実装にまたがる45のエージェントシステムを対象とした評価パイプラインの有効性を示す。
  論文  参考訳（メタデータ） (2026-06-22T20:46:56Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• AI-Powered Algorithms for the Prevention and Detection of Computer Malware Infections [0.24919281650930605]
  本研究では,人工知能(AI)に基づくコンテキスト認識型ハイブリッドマルウェア検出フレームワークを提案する。 この新しいアプローチは、97.3%の精度で優れたパフォーマンスを提供し、同じ分野で確立されたいくつかの機械学習(ML)やディープラーニング(DL)と比較して、1.5%の偽陽性率と最小限の検出遅延しか得られない。
  論文  参考訳（メタデータ） (2026-01-09T02:14:34Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection [12.318835339832056]
  マルウェア検出は、署名に基づく検出と機械学習を統合するAIシステムにますます依存している。 本研究では,シグネチャベースの検出がトレーニングパイプラインに含まれる場合のモデルトレーニングに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-08-13T09:35:51Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Identifying Vulnerabilities of Industrial Control Systems using Evolutionary Multiobjective Optimisation [1.8275108630751844]
  進化的多目的最適化(EMO)アルゴリズムを用いて,実世界の産業制御システム(ICS)の脆弱性を同定する。 本手法は化学プラントシミュレータであるテネシー・イーストマン (TE) プロセスモデルを用いて評価した。 新たな侵入検知システムという形でこれらの攻撃に対する防御が開発された。
  論文  参考訳（メタデータ） (2020-05-27T00:22:48Z)

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。