論文の概要: Neural Fingerprints for Malware Analysis: An Image-Based Metric Learning Approach with Application to Cross-Domain Classification
- arxiv url: http://arxiv.org/abs/2609.26282v1
- Date: Fri, 14 Aug 2026 14:16:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.954914
- Title: Neural Fingerprints for Malware Analysis: An Image-Based Metric Learning Approach with Application to Cross-Domain Classification
- Title（参考訳）: マルウェア解析のためのニューラルフィンガープリント:画像に基づくメトリクス学習アプローチとクロスドメイン分類への応用
- Abstract要約: この章では、画像に基づくメトリック学習アプローチを開発し、代わりに、マルウェア・アズ・イメージ表現から神経指紋を抽出することを学ぶ。
学習された埋め込みは、クラス境界の固定されたセットではなく類似度メトリックを誘導するので、トレーニング中に見たことのない家族は、再トレーニングなしでギャラリーと比較することで認識することができる。
- 参考スコア（独自算出の注目度）: 0.20999222360659606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the family of a newly observed malware sample is a core task in threat intelligence, yet conventional classifiers must be retrained whenever a new family appears. This chapter develops an image-based metric learning approach that instead learns to extract discriminative neural fingerprints--fixed-length embeddings--from malware-as-image representations, so that family membership can be determined by nearest-neighbor search in the embedding space. The central advantage of this formulation is zero-shot capability: because the learned embedding induces a similarity metric rather than a fixed set of class boundaries, families that were never seen during training can be recognized by comparison against a gallery, with no retraining. We demonstrate this directly by training an encoder on MalNet-Images-Tiny and MalImg combined (453 families, 96,769 images) and evaluate it zero-shot on a held-out 17-family grayscale dataset with no family overlap. Using a lightweight CNN with multi-proxy anchor loss, this model attains 73.1% retrieval@1 and 90.5% open-set AUROC on families the encoder has never seen. We benchmark our embedding approach against two conventional paradigms in a same-domain setting, where all three are competitive at classifying malware into families. We further show that the learned embeddings transfer across datasets. Unlike classifiers, our embedding approach also yields interpretable similarity scores and scales to large galleries via Facebook AI Similarity Search (FAISS). Finally, we provide a comprehensive evaluation of the learned embedding space using retrieval@k, cluster purity, silhouette score, separation ratio, few-shot accuracy, and open-set detection metrics, along with robustness analysis under image perturbations.
- Abstract（参考訳）: 新たに発見されたマルウェアサンプルの家族を特定することは、脅威知能のコアタスクであるが、新しいファミリーが出現するたびに、従来の分類器を再訓練する必要がある。
この章では、画像に基づく計量学習手法を開発し、マルウェア・画像表現から識別性のある神経指紋(固定長の埋め込み)を抽出することで、埋め込み空間における最寄りの探索によって家族のメンバーシップを決定する。
この定式化の主な利点は、ゼロショット能力である:学習された埋め込みは、クラス境界の固定されたセットではなく類似度メートル法を誘導するので、トレーニング中に見たことのない家族は、再訓練なしでギャラリーと比較することで認識することができる。
我々は、MalNet-Images-TinyとMalImgを併用したエンコーダ(453ファミリ、96,769イメージ)を直接訓練し、家族オーバーラップのない17階グレースケールデータセットでゼロショットの評価を行う。
マルチプロキシアンカーロスを持つ軽量CNNを使用して、このモデルは73.1%の検索@1と90.5%のオープンセットAUROCをエンコーダが見たことのない家族で達成する。
我々は、マルウェアを家族に分類する上で3つとも競争力がある同じドメイン設定で、従来の2つのパラダイムに対して、埋め込みアプローチをベンチマークする。
さらに、学習した埋め込みがデータセット間で転送されることを示す。
分類器とは異なり、埋め込みアプローチは解釈可能な類似度スコアと、Facebook AI similarity Search (FAISS)を介して巨大なギャラリーにスケールする。
最後に、検索@k、クラスタ純度、シルエットスコア、分離率、少数ショット精度、オープンセット検出メトリクスを用いて、学習した埋め込み空間の総合評価を行い、画像摂動下でのロバスト性解析を行う。
関連論文リスト
- Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。
不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。
このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
論文 参考訳（メタデータ） (2024-06-14T15:08:04Z) - High-resolution Image-based Malware Classification using Multiple
Instance Learning [0.0]
本稿では,高解像度グレースケール画像と複数インスタンス学習を用いて,マルウェアを家族に分類する方法を提案する。
この実装はMicrosoft Malware Classificationデータセットで評価され、反対に拡大されたサンプルに対して最大96.6%のアキュラシーを達成している。
論文 参考訳（メタデータ） (2023-11-21T18:11:26Z) - Exploring the Limits of Deep Image Clustering using Pretrained Models [1.1060425537315088]
本稿では,事前学習した特徴抽出器を利用してラベルなしで画像の分類を学習する手法を提案する。
本稿では,画像特徴間の関連性を学習する新たな目的について提案する。
論文 参考訳（メタデータ） (2023-03-31T08:56:29Z) - Attention-based Dynamic Subspace Learners for Medical Image Analysis [9.289524646688244]
学習類似性は、特にレコメンデーションシステムや画像中の解剖学的データの解釈を明らかにする際に重要な側面である。
既存のほとんどの手法は、単一のメートル法学習器を用いて画像集合上の埋め込み空間でそのような類似性を学ぶ。
本研究は,学習者の数を把握し,学習中に新たなサブスペース学習者を集約することで,複数の学習者を動的に活用することを提案する。
論文 参考訳（メタデータ） (2022-06-18T00:44:40Z) - Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。
クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
論文 参考訳（メタデータ） (2022-04-02T16:58:36Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z) - Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。
本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。
2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-07T17:16:41Z) - Evading Deepfake-Image Detectors with White- and Black-Box Attacks [75.13740810603686]
一般的な法医学的アプローチは、ニューラルネットワークを訓練して、実際の合成内容と区別することを示します。
我々は,既存の画像生成装置の約0.95のLOC曲線(AUC)以下の領域を達成できる最先端の分類器に関する5つの攻撃事例研究を開発した。
また、ターゲット分類器にアクセスできないブラックボックス攻撃により、AUCを0.22に削減する。
論文 参考訳（メタデータ） (2020-04-01T17:59:59Z) - Un-Mix: Rethinking Image Mixtures for Unsupervised Visual Representation
Learning [108.999497144296]
近年の先進的な教師なし学習手法では,同じ画像から2つの「ビュー」を学習表現として比較するために,サイムズ様の枠組みを用いている。
この研究は、教師なし学習においてラベル空間上の距離の概念を巻き込み、正対と負対のソフトな類似度をモデルに認識させることを目的としている。
その概念的単純さにもかかわらず、この解 -- 教師なし画像混合(Un-Mix)により、変換された入力と対応する新しいラベル空間からより微妙でより堅牢で一般化された表現を学習できることを実証的に示す。
論文 参考訳（メタデータ） (2020-03-11T17:59:04Z)
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。