論文の概要: Identifying Suspected Mislabeled Apps in Google Play Application Removal Prediction: An Empirical Comparison of Label Noise Detection Methods

• arxiv url: http://arxiv.org/abs/2609.25487v1
• Date: Mon, 21 Sep 2026 23:36:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.143046
• Title: Identifying Suspected Mislabeled Apps in Google Play Application Removal Prediction: An Empirical Comparison of Label Noise Detection Methods
• Title（参考訳）: Google Playアプリケーション削除予測における疑似ラベル付きアプリの同定:ラベルノイズ検出手法の実証的比較
• Abstract要約: どのGoogle Playアプリが削除されるかを予測するモデルは、後続の観察でアプリがまだストアにあるかどうかのみを記録するラベルでトレーニングされる。 この仕事は、そのミスマッチラベルノイズを呼ぶ。 モフセン、カラストヤノワ、アゾパルディの870,514のアプリには、異なる方法論の家系の3つの検出器が応用されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Models that predict which Google Play apps will be removed are trained on labels that record only whether an app was still in the store at a later observation. A disappeared app is labeled removed and a present one stable, but neither records why. A voluntary withdrawal and a policy takedown both produce removed, and an uncaught spam app keeps stable. This work calls that mismatch label noise. Three detectors from different methodological families are applied to the 870,514 apps of Mohsen, Karastoyanova, and Azzopardi (2022): Isolation Forest, flagging apps unusual in the feature space, Neighborhood Disagreement, flagging apps whose nearest neighbors carry the opposite label, and Prediction Inconsistency, flagging apps a classifier labels differently from the data. The apps flagged by all three, the overlap, number 7,598 at default settings and are the strongest mislabeling candidates. Two questions follow. First, does removing flagged apps improve the model? It does not. No detector, overlap, or union beats the baseline, and the loss grows with the number removed. Second, do flagged apps appear less often than expected among apps whose label VirusTotal and Quark Engine confirm? Among confirmed removals they do, falling to 0.43 times the expected rate as the threshold tightens, while an excess on the stable side disappears once the age of the scanned apps is accounted for. A model trained on only the 3,021 trainable overlap apps reaches a test AUC of 0.2518, far below chance, so the relationship between features and labels there runs opposite to the rest of the data. The flagged apps run wrong in both directions: abandoned apps that resemble spam carry stable, while apps that look healthy carry removed. The value of the detectors lies in characterizing this label noise. They locate a small set of candidates they cannot profitably remove.
• Abstract（参考訳）: どのGoogle Playアプリが削除されるかを予測するモデルは、後続の観察でアプリがまだストアにあるかどうかのみを記録するラベルでトレーニングされる。 消えたアプリは削除され、現在のアプリは安定しているが、その理由は記録されていない。 自発的な撤退とポリシーの取り下げはどちらも排除され、未解決のスパムアプリが安定している。 この仕事は、そのミスマッチラベルノイズを呼ぶ。 Mohsen, Karastoyanova, Azzopardi (2022) の 870,514 のアプリには,3つのメソッドファミリの検出器が適用されている。 アプリは3つとも、オーバーラップし、デフォルト設定で7,598番になり、最も強い誤記候補だ。 2つの疑問が続く。 まず、フラグ付きアプリの削除はモデルを改善するのか? そうではない。 検出器、オーバーラップ、ユニオンがベースラインに打ち勝つことはなく、その数は除くと減少する。 第2に、VirusTotalとQuark Engineが確認しているアプリの中で、フラグ付きアプリは予想より少なく見えるか? 検出された削除のうち、しきい値が引き締まるにつれて、期待値の0.43倍に低下し、スキャンされたアプリの年齢が考慮されれば、安定した側の過剰が消滅する。 トレーニング可能なオーバーラップアプリ3,021にのみトレーニングされたモデルが、0.2518のテストAUCに到達した。 スパムに似た放棄されたアプリは安定しており、健全なように見えるアプリは削除されている。 検出器の値は、このラベルノイズを特徴づけることにある。 彼らは利益を上げられない少数の候補者を見つける。

関連論文リスト

• Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling [3.0623865942628594]
  悪意のあるアプリは、ユーザ向けアプリ名とパッケージ名の間に弱い対応を示す可能性がある。 軽量な一級分類法であるName2Pkgを提案する。 Name2Pkgは大規模セキュリティシステムに対して効率的かつ効果的な事前フィルタリング信号を提供する。
  論文  参考訳（メタデータ） (2026-09-21T10:34:34Z)
• Clean Engineering, Unstable Measurement: A Preregistered Reliability Failure of Black-Box LLM Observers on Shared Endpoints [4.41537705949485]
  言語モデル審査員は、トレーニングデータをゲートし、世代をスコアし、リーダーボードを駆動する。 我々は、事前登録された2つのキャンペーンにおいて、すべてのしきい値が事前に固定された状態で、その仮定を監査した。 52,988件の要求を監査し、スピアマン0.400で0.90と一致した。 証拠を3段階のスナップショット識別はしご、8つの設計ルール、レポートチェックリストに抽出する。
  論文  参考訳（メタデータ） (2026-09-03T17:59:43Z)
• From Signals to Behaviors: Evidence-Based Android Malware Detection [17.16103824394101]
  Androidのマルウェアは依然として永続的な脅威であり、それを正確に検出することは長年のオープンな問題だ。 本稿では,仮説-確認-判断パイプラインとして検出を構造化するPraxについて述べる。 全体的な検出性能は87.4%で、18.6-34.8ポイントでベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-25T16:16:42Z)
• Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
  放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。 ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。 3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI) 4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
  論文  参考訳（メタデータ） (2026-07-19T22:27:00Z)
• Can We Treat Noisy Labels as Accurate? [87.23815842898722]
  ノイズラベルは、機械学習モデルの精度と一般化を著しく妨げている。 ノイズラベルからの学習におけるパラダイムシフトであるEchoAlignを提案する。 30%のインスタンス依存ノイズの下では、EchoSelectは以前の方法と比較して、正しくラベル付けされたサンプルの約2倍の数を保持している。
  論文  参考訳（メタデータ） (2024-05-21T17:49:10Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Longitudinal Analysis of Privacy Labels in the Apple App Store [14.05262934760501]
  2020年12月、Appleはアプリデベロッパーに対して、アプリのプライバシーラベルアノテーションを自己報告するよう要求し始めた。 プライバシーラベルの公開から2年近く経った今、アプリの70.1%がプライバシーラベルを持っている。 ラベルを持つアプリのうち、18.1%はユーザーを追跡するために使用されるデータを集め、38.1%はユーザーIDにリンクされたデータを収集し、42.0%はリンクされていないデータを収集している。
  論文  参考訳（メタデータ） (2022-06-06T14:51:44Z)
• Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google Play [13.658284581863839]
  Google Playのポリシーは、アプリの配置を操作するためのインセンティブ付きインストール、評価、レビューの使用を禁止している。 社会技術レンズによるインストールインセンティブアプリについて検討し、レビューとパーミッションの混合メソッド分析を行う。 私たちのデータセットには、60以上のアプリから5ヶ月以上にわたって収集された319万のレビューが含まれています。 インストールインセンティブのアプリに対する不正なレビューの証拠を見つけ、それに続いて、アプリとレビュアーの動的二部グラフのエッジストリームとしてモデル化します。
  論文  参考訳（メタデータ） (2022-02-09T16:54:27Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• Maat: Automatically Analyzing VirusTotal for Accurate Labeling and Effective Malware Detection [71.84087757644708]
  マルウェア分析と検出の研究コミュニティは、約60台のスキャナーのスキャン結果に基づいてAndroidアプリをラベル付けするために、オンラインプラットフォームVirusTotalに依存している。 VirusTotalから取得したスキャン結果を最もよく解釈する方法の基準はありません。 機械学習(ML)ベースのラベリングスキームを自動生成することで,標準化と持続可能性というこれらの問題に対処する手法であるMaatを実装した。
  論文  参考訳（メタデータ） (2020-07-01T14:15:03Z)

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。