論文の概要: Residual Community Prototypes Under-Reject Held-Out Malware Families in FCG-MFD

• arxiv url: http://arxiv.org/abs/2609.24980v1
• Date: Mon, 21 Sep 2026 17:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:20:25.230576
• Title: Residual Community Prototypes Under-Reject Held-Out Malware Families in FCG-MFD
• Title（参考訳）: FCG-MFDにおける残留コミュニティプロトタイプ
• Abstract要約: オープンセットのマルウェア家族認識は、訓練を受けていない家族を拒絶しながら、既知の家族を分類しなければならない。 我々は,Louvain-community summariesがグラフニューラルネットワークの埋め込みや次元整合した一般的なトポロジーを超えて拒絶情報を追加するかどうかを検証する。
• 参考スコア（独自算出の注目度）: 2.650267352862835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set malware-family recognition must classify known families while rejecting families absent from training. We test whether Louvain-community summaries add rejection information beyond a graph neural network embedding and dimension-matched generic topology. The study uses a deduplicated, conflict-audited FCG-MFD corpus, five held-out families, and three optimization seeds. Community features are residualized against generic topology using known-family training data before nearest-prototype scoring. Residual community does not produce stable held-out-family rejection. Ranking effects reverse across families, the false-positive rate at 95 percent unknown recall worsens for every held-out family, and a validation-fitted threshold rejects only 4.48 percent of unknown samples. Accepted-known macro F1 improves in every family, but with five independent family units the exact two-sided sign-flip p-value is 0.0625, the smallest attainable value. The score remains associated with graph scale, while simple classifier uncertainty performs better on ranking, high-recall rejection, and OSCR. In this GIN/FCG-MFD setting, community-enriched prototypes change known-class geometry without creating a stable unknown margin. Graph open-set evaluations should pair structural features with matched topology controls, operational thresholds, and held-out-family analysis.
• Abstract（参考訳）: オープンセットのマルウェア家族認識は、訓練を受けていない家族を拒絶しながら、既知の家族を分類しなければならない。 我々は,Louvain-community summariesがグラフニューラルネットワークの埋め込みや次元整合した一般的なトポロジーを超えて拒絶情報を追加するかどうかを検証する。 この研究は、分離された競合監査されたFCG-MFDコーパス、5つの保留家族、3つの最適化シードを用いている。 コミュニティの特徴は、最も近いプロトタイプスコアの前に、既知の家庭訓練データを用いて、一般的なトポロジーに対して残される。 居住コミュニティは安定した家族間の拒絶を生まない。 ランク付け効果は家族間で逆転し、偽陽性率が95%の未知のリコール率は、保持されたすべての家族にとって悪化し、検証に適合した閾値は、未知のサンプルの4.48%しか拒否しない。 認識されるマクロF1は、すべてのファミリーで改善されるが、5つの独立したファミリーユニットでは、正確に2辺の符号-フリップのp-値は0.0625であり、到達可能な最小値である。 スコアはグラフスケールに関連し、単純な分類器の不確実性はランク付け、ハイリコール拒否、OSCRで改善される。 このGIN/FCG-MFD設定では、コミュニティに富んだプロトタイプは、安定した未知のマージンを作ることなく、既知のクラス幾何を変更する。 グラフのオープンセット評価は、構造的特徴と整合したトポロジ制御、運用しきい値、ホールド・アウト・ファミリー分析とを組み合わせるべきである。

関連論文リスト

• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• Mapping CVEs to MITRE ATT&CK Techniques: A Curated Gold-Set Classifier and the Limits of LLM-Assisted Label Expansion [46.262619407930266]
  我々は、専門家のMITRE Center for Threat-Informed Defense mappingsから1,207 CVEのキュレートされた金のデータセットにマルチラベル分類器をトレーニングする。 その結果得られたモデルは、ゼロショットの埋め込み類似性のベースラインと比較して、おおよそdoubles recall@5である。 次に,LLMによるラベリングが金のデータセットを拡張できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-07-28T10:59:04Z)
• CogArena: A Multimethod Evaluation of Cognitive Ability Structure in Large Language Models [3.991518853474585]
  我々は,認知タスクが保証次元ラベルをいつ得点するかを決定するためのベンチマークであるCogArenaを紹介する。 55のオープンウェイトモデル全体において、ほぼすべてのパラダイム相関は正であり、共通の軸が約半分の分散を説明する。 グループ内のアドバンテージは小さく、スコアリングに敏感で、モデルファミリ全体にわたって不確実である。
  論文  参考訳（メタデータ） (2026-07-27T18:56:13Z)
• What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
  本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。 複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
  論文  参考訳（メタデータ） (2026-06-19T06:04:17Z)
• A Controlled Audit of Pretraining Contamination in Public Medical Vision-Language Benchmarks [46.43161388634735]
  医用視覚言語モデル(VLM)は、画像と質問応答ペアが何年も無料でダウンロードされている公開ベンチマークで評価される。 SLAKE-En,PathVQA,VQA-RAD,および4つの検出器ファミリを用いたOmniMedVQAミラーのオープンVLMを検査した。
  論文  参考訳（メタデータ） (2026-06-08T18:40:10Z)
• Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations [0.22940141855172028]
  本研究は,決定木ルールセットを用いたマルウェア分類におけるドリフト検出のための構造的アプローチを提案する。 この手法は、固定インターバルとクラスタリングベースのウィンドウリングを用いて、6つのマルウェアファミリーで評価される。 その結果,機能レベルのピアソン相関による固定2ヶ月のウィンドウリングが最も信頼性の高い構成であることが示唆された。
  論文  参考訳（メタデータ） (2026-04-24T15:00:57Z)
• Quantisation Reshapes the Metacognitive Geometry of Language Models [0.0]
  我々は、Q5_K_Mとf16の精度で、同じ3000の質問に対してLlama-3-8B命令を評価する。 4つの知識領域にまたがるM比プロファイルは,形式間には関連性がないことがわかった。
  論文  参考訳（メタデータ） (2026-04-10T05:29:22Z)
• Hubble: An LLM-Driven Agentic Framework for Safe, Diverse, and Reproducible Alpha Factor Discovery [0.0]
  本稿では,大規模言語モデル(LLM)とドメイン固有の演算子言語を組み合わせたエージェントファクタマイニングフレームワークであるHumbbleを紹介する。 約500株の米国株式の世界において、当社のメインランは、実行時クラッシュゼロの3ラウンドで104人の有効な候補を評価しています。 次に、上位5因子を修正し、2025-06-01から2026-03-13までの保留期間で検証する。
  論文  参考訳（メタデータ） (2026-03-09T05:21:00Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders [46.31784571870808]
  いくつかの穏やかな仮定の下では、モデルがハイブリッドメソッドによって一意に識別されることを示す。 本手法は,制約ベース手法と独立ノイズベース手法の利点を生かして,共起状況と未解決状況の両方を扱う。
  論文  参考訳（メタデータ） (2021-03-26T03:12:14Z)

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。