論文の概要: Image-Based Techniques and Ensemble Soft Voting for Malware Classification

• arxiv url: http://arxiv.org/abs/2609.26281v1
• Date: Fri, 14 Aug 2026 13:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.954448
• Title: Image-Based Techniques and Ensemble Soft Voting for Malware Classification
• Title（参考訳）: マルウェア分類のための画像ベース手法とソフト投票のアンサンブル
• Abstract要約: 本研究では,アンサンブル学習フレームワークとソフト投票戦略を用いた画像に基づくマルウェア家族分類について検討する。 8つの異なる変換戦略を用いて画像に変換されたマルウェアバイナリを考察する。 有効性の高いソフト投票プールは、専用のバリデーションスプリットで選択された15人の有権者で構成されており、検討中の17のマルウェアファミリーで80.2%の精度を達成している。
• 参考スコア（独自算出の注目度）: 0.3914676152740142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this chapter, we investigate image-based malware family classification using an ensemble learning framework and a soft voting strategy. We consider malware binaries that have been converted into images using eight distinct conversion strategies. Three complementary feature extraction tracks are applied to these images: handcrafted descriptors combining Histogram of Oriented Gradients (HOG) and Haralick texture features along with 38 statistical features; dense embeddings obtained from three pretrained neural networks (VGG16, ResNet50, and ViT-B/16), where each pretrained model is used as a frozen feature extractor with its classification head removed; and 512-dimensional embeddings derived from a custom Convolutional Neural Network (CNN) trained directly on the malware images. Each of the three feature extraction techniques is evaluated with machine learning classifiers across all eight image conversion types. The best individual results are 77.8% accuracy for the handcrafted features, 73.8% for the pretrained neural network track, and 74.8% for the custom CNN track. Then we consider various soft voting ensemble strategies, and we find that the best-performing soft voting pool--consisting of fifteen voters selected on a dedicated validation split--achieves 80.2% accuracy across the 17 malware families under consideration, a statistically significant improvement of 2.4 percentage points over the best individual model. A quantitative diversity analysis confirms that the different feature representations are complementary, with the handcrafted descriptors being the strongest contributors.
• Abstract（参考訳）: 本章では,アンサンブル学習フレームワークとソフト投票戦略を用いた画像に基づくマルウェア家族分類について検討する。 8つの異なる変換戦略を用いて画像に変換されたマルウェアのバイナリを考察する。 3つの補完的な特徴抽出トラックがこれらの画像に適用される: オリエントグラディエント(HOG)のヒストグラムとハリリックテクスチャの特徴と38の統計特徴を組み合わせた手作り記述器、事前訓練された3つのニューラルネットワーク(VGG16、ResNet50、ViT-B/16)から得られた密な埋め込み、各事前訓練されたモデルを、その分類された頭部を凍結した特徴抽出器として使用すること、マルウェアイメージを直接訓練されたカスタム畳み込みニューラルネットワーク(CNN)から派生した512次元の埋め込み。 これら3つの特徴抽出手法のそれぞれを,8種類の画像変換を対象とする機械学習分類器を用いて評価する。 最も優れた個々の結果は、手作りの特徴に対して77.8%の精度、事前訓練されたニューラルネットワークトラックに73.8%、カスタムCNNトラックに74.8%の精度である。 次に, 各種ソフト投票アンサンブル戦略について検討し, 選抜された15人のソフト投票プールが, 対象とする17のマルウェア群に対して80.2%の精度を達成し, 最高の個人モデルよりも2.4ポイントの統計的に有意な改善が得られた。 定量的多様性分析により、異なる特徴表現が相補的であることが確認され、手作りの記述子は最も強い貢献者である。

関連論文リスト

• DINO-Med: A Unified Patch-Based Adaptation Framework for Multi-Modal Medical Image Analysis Applied to Liver Fibrosis Staging [13.33205970973723]
  トレーニング不要な登録、自動位置決め、マスクフィルタによるパッチ抽出により、生マルチモーダル画像を処理する統一されたパッチベースのフレームワークを提案する。 手作りラジオミクスの特徴,学習されたResNet特徴,事前訓練された基礎モデルSAM-Med2D特徴,凍結性硬変DINOv3特徴の4つのパッチレベル特徴表現を評価した。
  論文  参考訳（メタデータ） (2026-09-10T11:16:26Z)
• JPEG AIC2026: A large-scale dataset for fine-grained assessment of image coding [37.01438489713517]
  本稿では,高忠実度画像圧縮のための大規模データセットであるAIC2026(AIC2026)について述べる。 このデータセットは、8つの従来の4つの学習ベースのコーデックによって生成される幅広い圧縮アーティファクトをカバーしている。 従来のIQA法と12の学習に基づくIQA法を用いて,広範囲な客観的解析を行った。
  論文  参考訳（メタデータ） (2026-07-24T10:45:43Z)
• DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
  既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。 DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。 実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
  論文  参考訳（メタデータ） (2026-07-15T10:27:52Z)
• Deep learning and classical computer vision techniques in medical image analysis: Case studies on brain MRI tissue segmentation, lung CT COPD registration, and skin lesion classification [0.0]
  本研究は,複数の画像モダリティにまたがるセグメンテーション,登録,分類タスクを体系的に評価した最初のものである。 脳組織のセグメンテーションでは、3D DLモデルは2Dモデルとパッチベースモデルより優れており、特に nnU-Net の Dice は 0.9397 である。 肺CTでは、古典エラスティス法がDLモデルより優れ、最小目標登録誤差(TRE)は6.68mmであった。 皮膚病変分類では、InceptionResNetV2やResNet50のようなDLモデルのアンサンブルが優れ、最大90.44%、バイナリとマルチの93.62%の精度が達成された。
  論文  参考訳（メタデータ） (2025-02-26T16:05:08Z)
• How Quality Affects Deep Neural Networks in Fine-Grained Image Classification [0.799543372823325]
  粒度分類システムの性能を高めるために,非参照画像品質評価(NRIQA)誘導カットオフポイント選択(CPS)戦略を提案する。 最も一般的に採用されている3つのイメージ拡張設定 -- トリミング、回転、ぼやけた -- をエントリポイントとしています。 具体的には、これらの方法によって得られるカットオフポイントは、多数決によって集約され、画像サブセット選択のプロセスが通知される。
  論文  参考訳（メタデータ） (2024-05-09T12:59:11Z)
• Segmentation of Weakly Visible Environmental Microorganism Images Using Pair-wise Deep Learning Features [7.837413642215894]
  本研究では,Pairwise Deep Learning Feature Network (PDLF-Net)を提案する。 PDLFを使用することで、各画像の対角深層学習機能をベースモデルのSegNetの異なるブロックに結合することにより、ネットワークはフォアグラウンド(EM)にもっと集中することができる。 PDLF-Netは89.24%、63.20%、77.27%、35.15%、89.72%、91.44%、89.30%という優れたセグメンテーション結果を達成する。
  論文  参考訳（メタデータ） (2022-08-31T16:37:52Z)
• Deep Neural Network for Blind Visual Quality Assessment of 4K Content [37.70643043547502]
  既存のブラインド画像品質評価法(BIQA)は、オリジナルおよびアップスケールの4Kコンテンツには適していない。 本研究では、4Kコンテンツに対する深層学習に基づくBIQAモデルを提案する。 提案手法はマルチタスク学習方式を用いて学習し,分類タスクと回帰タスクの損失のバランスをとる不確実性原理を導入する。
  論文  参考訳（メタデータ） (2022-06-09T09:10:54Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Data Efficient Language-supervised Zero-shot Recognition with Optimal Transport Distillation [43.03533959429743]
  本稿では,オンライン最適トランスポートを用いて,コントラスト学習のためのラベルとしてソフトな画像テキストマッチングを求めるOTTERを提案する。 事前訓練された画像とテキストエンコーダに基づいて、OTTERで訓練されたモデルは、3M画像テキストペアだけで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-12-17T11:27:26Z)
• CIFAR-10 Image Classification Using Feature Ensembles [0.0]
  我々は、手動と深層学習の両方から異なる画像特徴源の組み合わせを利用して、パブリックなCIFAR-10画像データセットから画像を分類する。 向き勾配(HOG)と画素強度のヒストグラムは, それぞれ53%, 59%の分類精度を示した。 ImageNetトレーニング重量とCIFAR-10最適化モデル(CIFAR-VGG)を備えたVGG16は、画像分類(それぞれ60%と93.43%の精度)をさらに改善した。
  論文  参考訳（メタデータ） (2020-02-07T01:53:46Z)
• Automatic Pruning for Quantized Neural Networks [35.2752928147013]
  冗長な低精度フィルタを選択するための効率的なプルーニング手法を提案する。 我々は CIFAR-10 と ImageNet について,様々なアーキテクチャと精度で広範な実験を行った。 ImageNet上のResNet-18では、二元化ニューラルネットワーク量子化によるモデルサイズの26.12%を経験する。
  論文  参考訳（メタデータ） (2020-02-03T01:10:13Z)

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。