論文の概要: Fast And Accurate Text Content File Type Identification

• arxiv url: http://arxiv.org/abs/2609.21306v1
• Date: Fri, 18 Sep 2026 04:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.856143
• Title: Fast And Accurate Text Content File Type Identification
• Title（参考訳）: テキストコンテンツファイルタイプ同定の高速化と高精度化
• Abstract要約: 本稿では,他のツールよりも正確で高速なテキストコンテンツファイル,特にソースコードのタイプを特定するニューラルネットワークモデルを提案する。 オープンソースファイルを用いた実験では,テキスト内容のファイルタイプ識別では平均よりも精度が高いだけでなく,Magikaの約4倍高速であり,サイズは28%小さいことが示唆された。
• 参考スコア（独自算出の注目度）: 29.85218960658621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common requirement across organizations is to have a tool that can identify file types based on their contents, particularly in the cybersecurity domain where magic numbers and file extensions can not be trusted. While existing tools work well in practice, there is plenty of room for improvement either in terms of computational load and time for detection in the case of model based tools like Magika or in terms of accuracy of detection in the case of file parsing tools that use programming language constructs. In this study, we propose a neural network model for identification of types of text content files, especially source code, that is more accurate and faster than other available tools. Our experiments on open-source files indicate that it is not only more accurate on average for text-content file-type identification, but also approximately four times faster than Magika, while being 28% smaller in size.
• Abstract（参考訳）: 組織間で共通する要件は、特にマジックナンバーやファイル拡張が信頼できないサイバーセキュリティドメインにおいて、その内容に基づいてファイルタイプを識別できるツールを持つことである。 既存のツールは実際にうまく機能するが、Magikaのようなモデルベースのツールの場合の計算負荷と検出の時間、あるいはプログラミング言語の構造を使用するファイル解析ツールの場合の精度に関して、改善の余地はたくさんある。 本研究では,他のツールよりも正確で高速なテキストコンテンツファイル,特にソースコードのタイプを特定するニューラルネットワークモデルを提案する。 オープンソースファイルを用いた実験では,テキスト内容のファイルタイプ識別では平均よりも精度が高いだけでなく,Magikaの約4倍高速であり,サイズは28%小さいことが示唆された。

関連論文リスト

• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
  我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。 その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
  論文  参考訳（メタデータ） (2026-02-02T03:00:19Z)
• A Survey on Deep Text Hashing: Efficient Semantic Text Retrieval with Binary Representation [69.50397417361351]
  テキストハッシュはオリジナルのテキストをコンパクトなバイナリハッシュコードに投影する。 ディープテキストハッシュは、従来のデータに依存しないハッシュ技術よりも大きなアドバンテージを示している。 本調査では, コアコンポーネントに基づいて分類することで, 現在の深層テキストハッシュ法について検討する。
  論文  参考訳（メタデータ） (2025-10-31T06:51:37Z)
• LLMDet: A Third Party Large Language Models Generated Text Detection Tool [119.0952092533317]
  大規模言語モデル(LLM)は、高品質な人間によるテキストに非常に近い。 既存の検出ツールは、機械が生成したテキストと人間によるテキストしか区別できない。 本稿では,モデル固有,セキュア,効率的,拡張可能な検出ツールであるLLMDetを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:45:16Z)
• Adversarial Networks and Machine Learning for File Classification [0.0]
  検査中のファイルの種類を正しく特定することは、法医学的な調査の重要な部分である。 本稿では、逆学習された機械学習ニューラルネットワークを用いてファイルの真の型を決定することを提案する。 半教師付き生成敵ネットワーク(SGAN)は,11種類のファイルの分類において97.6%の精度を達成した。
  論文  参考訳（メタデータ） (2023-01-27T19:40:03Z)
• Toward the Detection of Polyglot Files [2.7402733069180996]
  複数のファイルフォーマットで有効なファイルを作成することで、標準化されたファイルフォーマットを悪用することができる。 結果として生成されるポリグロット(多言語)ファイルは、ファイルフォーマットの識別を混乱させ、ファイルの要素が解析を回避できる。 これは、特徴抽出のためにファイルフォーマットの識別に依存するマルウェア検出システムにおいて特に問題となる。
  論文  参考訳（メタデータ） (2022-03-14T23:48:22Z)
• Content-Based Textual File Type Detection at Scale [0.0]
  プログラミング言語の検出は、大規模なソースコードの分析において一般的なニーズです。 我々は,テキストファイルの内容のみに基づいて,ソフトウェアコードベースでよく見られるファイルの種類を正確に検出する問題を考える。
  論文  参考訳（メタデータ） (2021-01-21T09:08:42Z)
• Short Text Classification Approach to Identify Child Sexual Exploitation Material [4.415977307120616]
  本稿では,児童性行為資料(CSEM)ファイルを識別するために,短いテキスト分類に基づく2つのアプローチを提案する。 提案されたソリューションは、すべてのファイルのビジュアルコンテンツに取り組むことなくCSEMを識別するための法執行機関をサポートするための法医学ツールやサービスに統合することができる。
  論文  参考訳（メタデータ） (2020-10-29T09:37:16Z)
• Detecting malicious PDF using CNN [46.86114958340962]
  悪意のあるPDFファイルは、コンピュータセキュリティに対する最大の脅威の1つだ。 本稿では,ファイルのバイトレベルにおける畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた新しいアルゴリズムを提案する。 オンラインでダウンロード可能な90000ファイルのデータセットを用いて,本手法はPDFマルウェアの高検出率(94%)を維持していることを示す。
  論文  参考訳（メタデータ） (2020-07-24T18:27:45Z)

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。