論文の概要: Partition-Matched Evaluation of Community Features under Distribution Shift in Android Malware Function-Call Graphs

• arxiv url: http://arxiv.org/abs/2609.25256v1
• Date: Mon, 21 Sep 2026 18:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.076277
• Title: Partition-Matched Evaluation of Community Features under Distribution Shift in Android Malware Function-Call Graphs
• Title（参考訳）: Android マルウェア機能コールグラフにおける分布シフトによるコミュニティ特徴の分割マッチング評価
• Abstract要約: グラフベースのAndroidマルウェアは、マルウェアタイプや家族シフトで精度を失う可能性がある。 関数呼び出しグラフにおけるメソスコピックな構造がシフト安定情報を提供するかどうかを検証する。 テストされたシグネチャはID信号を追加するが、繰り返し可能なシフト安定性の利点は示さない。
• 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: Graph-based Android malware classifiers can lose accuracy under malware-type or family shifts. We test whether mesoscopic organization in function-call graphs provides shift-stable information beyond local degree profiles (LDP), global statistics, lightweight metadata, and size-matched random partitions. Using 15,000 MalNet-Tiny, Common, and Distinct graphs, six Leiden descriptors specified before evaluation, and five optimizer seeds, communities raise Tiny macro F1 from 78.7% to 81.3% but yield 29.4-point source-only Common degradation. One size-matched random partition yields 27.8-point degradation. Across five random partitions, mean degradation is 27.9 points; the 95% two-level bootstrap interval for random minus community degradation is [-4.2, 1.2] points. With metadata, the corresponding difference is -0.2 points with interval [-1.1, 0.6]. Removing modularity raises structure-only Common macro F1 from 51.9% to 53.6%. The tested signature adds IID signal but shows no repeatable shift-stability advantage, demonstrating why mesoscopic graph claims need partition-matched controls and repeated null draws.
• Abstract（参考訳）: グラフベースのAndroidマルウェア分類器は、マルウェアタイプや家族シフトの精度を失う可能性がある。 機能コールグラフにおけるメソスコピックな組織が、局所次数プロファイル(LDP)、グローバル統計、軽量メタデータ、サイズ整合ランダムパーティションを超えたシフト安定情報を提供するかどうかを検証する。 15,000のMalNet-Tiny、Common、Distinctのグラフ、評価前に指定された6つのライデン記述子、および5つの最適化されたシードを使用して、コミュニティはTinyマクロF1を78.7%から81.3%に上昇させるが、29.4ポイントのソースのみのコモン劣化をもたらす。 1つのサイズマッチングされたランダムパーティションは27.8ポイントの劣化をもたらす。 5つのランダムパーティションで平均分解率は27.9ポイントであり、ランダムなコミュニティ劣化に対する95%の2レベルブートストラップ間隔は[-4.2, 1.2]ポイントである。 メタデータの場合、対応する差は-0.2点、間隔 [-1.1, 0.6] である。 モジュラリティの除去は、構造のみの共通マクロF1を51.9%から53.6%に引き上げる。 テストされたシグネチャはID信号を追加するが、繰り返し可能なシフト-安定性の利点は示さない。

関連論文リスト

• ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection [0.0]
  本研究は, DINOv2残基の構造的分解がシフト誘起エビデンスを抑制することができるかどうかを考察する。 ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解する。 実験は普遍的な分離というよりはむしろ中心的なトレードオフを露呈する。
  論文  参考訳（メタデータ） (2026-08-27T18:42:38Z)
• Noise Floor Audit for Agent Benchmarks [12.742365938887874]
  公式なBFCL多重および並列のカテゴリで,2つのプロバイダにまたがる3つのネイティブツールコールエンドポイントの測定ばらつきを評価した。 温度 0 では、再実行はほぼ決定論的であり、Groq の終点と思考可能な Gemini の設定にまたがる。
  論文  参考訳（メタデータ） (2026-08-23T10:00:11Z)
• Why Does the Future Branch? Identifiable Closure Tests for Stochastic Physical World Models [0.0]
  ClosurePairsは、繰り返し発生する障害を伴う互換性のあるマイクロステートを横断します。 ソースの属性は確実に回復する。 非線形相互作用ベンチマークにおける等予算分解誤差を低減する。
  論文  参考訳（メタデータ） (2026-08-01T11:07:24Z)
• qZACH-ViT: Quantization-Aware Intrinsic Explanations with Recursive Attribution-Stabilized Optimization [0.0]
  ゼロトケンフリーなZACH-ViTバックボーンの量子化対応拡張であるqZACH-ViTを導入する。 帰納的属性安定化最適化(RASO)も導入する。 我々は,クラス毎に50のトレーニング画像と10の固定種子を用いて,7つのMedMNISTデータセットに対して4つの制御条件を評価する。
  論文  参考訳（メタデータ） (2026-07-16T19:51:48Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Boosting LLMs for Mutation Generation [35.905252475438466]
  SMART(Semantic Mutation with Adaptive Retrieval and Tuning)を紹介する。 Defects4J と ConDefects のデータセットから1,991 個の実世界の Java バグを使用した SMART の実証的研究を行った。 その結果、SMARTは変異の妥当性、有効性、効率を大幅に改善することが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-25T17:42:17Z)
• 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)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)
• Calibrated and Robust Foundation Models for Vision-Language and Medical Image Tasks Under Distribution Shift [2.292525568003776]
  CLIPやSAMといった基礎モデルには、低ショット転送学習による高度なコンピュータビジョンと医療画像があり、限られたデータでCADDを支援する。 両課題に対処するためのFIPとCMPの融合である textbfStaRFM を提案する。 パッチワイド正規化により3Dに拡張されたFIPを適用し、埋め込みシフトを減らすとともに、ボクセルレベルの予測のために修正されたCMPをセグメンテーションの不確実性に適用する。
  論文  参考訳（メタデータ） (2025-07-12T09:39:07Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)

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。