論文の概要: Temporal Generalization and Explanation Stability of Control Flow Graph Neural Networks for Malware Detection
- arxiv url: http://arxiv.org/abs/2609.24280v1
- Date: Mon, 21 Sep 2026 08:43:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.214963
- Title: Temporal Generalization and Explanation Stability of Control Flow Graph Neural Networks for Malware Detection
- Title（参考訳）: マルウェア検出のための制御フローグラフニューラルネットワークの時間的一般化と説明安定性
- Abstract要約: マルウェア検知器は通常、単一の期間で収集されたコーパスのランダムな分割に基づいて評価される。
本研究は厳密な時間分割による制限に対処する。
各モデルは1つの期間で訓練され、その後1回は得点する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Malware detection is a critical task in cybersecurity, and graph neural networks over control flow graphs have shown promising results for it. However, detectors are usually evaluated on a random split of a corpus collected over a single period, which cannot show how well a model generalizes to later samples. This study addresses that limitation with a strict temporal split: every model is trained on one period and scored once on a later one. Two corpora of control flow graphs, each node carrying 37 features, were extracted statically from 1,989 Windows portable executables: 459 graphs from 2024-2025 for training and 223 from 2026 for evaluation. Twelve variants and a flat-feature control were trained on the earlier corpus. The choice of message-passing operator changes robustness to the shift significantly, and every pairwise gap that survives correction separates an aggregating architecture from one built around a learned attentional readout. The ranking also reverses: the flat control, which sees node features but no topology, is the best in-distribution model and among the worst across the boundary, so a conventional benchmark would have rejected message passing. Neither recalibration nor ensembling substitutes for the operator choice. Attributions do not shift, but explanation validity is architecture-specific, and the most accurate operator on the later corpus is the hardest to explain. An architecture derived from the finding matches the best searched operator without search. The shift affects both malware and benign classes alike, so these are results about robustness to distribution shift, not malware evolution.
- Abstract（参考訳）: マルウェア検出はサイバーセキュリティにおいて重要なタスクであり、制御フローグラフ上のグラフニューラルネットワークは、それに対して有望な結果を示している。
しかし、検出器は通常、単一の期間にわたって収集されたコーパスのランダムな分割に基づいて評価されるため、モデルが後続のサンプルにどれだけうまく一般化するかは示せない。
この研究は、厳密な時間分割による制限に対処する: 全てのモデルは1つの期間で訓練され、その後1回は得点される。
学習用2024-2025の459グラフと評価用2026の223グラフの2つの制御フローグラフを静的に抽出した。
12種類の変種と平坦な制御が初期のコーパスで訓練された。
メッセージパッシング演算子の選択は、シフトに対してロバスト性を大きく変化させ、補正を生き残るすべてのペアワイズギャップは、学習された注目の読み出しを中心に構築されたアーキテクチャとを分離する。
ノードの特徴を見ることができるがトポロジを含まないフラットコントロールは、最適な分配モデルであり、バウンダリ全体で最悪のものなので、従来のベンチマークではメッセージパッシングを拒否していただろう。
リカレーションもアンサンブルもオペレータの選択には代わらない。
属性は変化しないが、説明の妥当性はアーキテクチャ固有のものであり、後続のコーパスで最も正確な演算子は説明が難しい。
発見から派生したアーキテクチャは、検索なしで最もよく検索された演算子と一致する。
このシフトは、マルウェアと良性クラスの両方に影響を及ぼすため、これらは、マルウェアの進化ではなく、分散シフトに対する堅牢性に関する結果である。
関連論文リスト
- Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation [0.0]
フェデレーション平均化(Federated Averaging)は、参加者のデータが広範囲に類似している場合、ローカルモデルの平均化が1つの共有問題を解決する合理的な方法であると仮定する。
グラフニューラルネットワークでは,ラベルや特徴分布ではなく,構造自体でクライアントグラフが異なる。
論文 参考訳（メタデータ） (2026-09-15T10:53:31Z) - Amortised Post-Hoc Explanation with Exact Preservation for Dynamic Graph Anomaly Detectors [2.169919643934826]
動的グラフにおける異常検出は、金融詐欺分析、侵入検知、プラットフォームの整合性を支える。
エッジがフラグ付けされた場合、アナリストはスコアのみを受け取る。
我々は、トレーニングされた凍結されたStrGNNをラップし、フラグ付きエッジ毎に出力する、ポストホックな説明層であるX-StrGNNを紹介する。
論文 参考訳（メタデータ） (2026-08-16T06:10:40Z) - Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。
検出器は凍結されているため、検出性能は正確に保存される。
X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
論文 参考訳（メタデータ） (2026-08-12T15:58:27Z) - 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) - Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
モデル・オーガニゼーションのベンチマークであるPandoを紹介します。
Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。
説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
論文 参考訳（メタデータ） (2026-04-13T06:42:24Z) - TRAJEVAL: Decomposing Code Agent Trajectories for Fine-Grained Diagnosis [23.834704102474927]
コードエージェントはGitHubの問題を解決することができるが、失敗した場合、現在の評価は場所や理由を可視化しない。
本稿では,エージェントトラジェクトリを3つの解釈段階に分解する診断フレームワークTRAJEVALを紹介する。
我々はこれらの診断が予測可能であることを確認し、0.87-2.1% MAEでモデルレベルのPass@1予測を達成する。
論文 参考訳（メタデータ） (2026-03-25T05:27:03Z) - Silent Commitment Failure in Instruction-Tuned Language Models: Evidence of Governability Divergence Across Architectures [0.0]
我々は、モデルのエラーが出力コミット前に検出可能で、一度検出されると修正できる程度、統治性を導入します。
ベンチマーク精度は支配可能性を予測するものではなく、補正能力は検出と独立に異なり、同一のガバナンス足場はモデル間で逆の効果をもたらす。
本稿では,モデルとタスクの組み合わせをGovernable, Monitor Only, Steer Blind, Ungovernableの4つに分類する。
論文 参考訳（メタデータ） (2026-03-22T21:50:28Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。