論文の概要: HYDRA: Proactive Android Malware Drift Adaptation via Hierarchical Graph Contrastive Learning
- arxiv url: http://arxiv.org/abs/2609.26352v1
- Date: Tue, 22 Sep 2026 12:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.378375
- Title: HYDRA: Proactive Android Malware Drift Adaptation via Hierarchical Graph Contrastive Learning
- Title（参考訳）: HYDRA: 階層型グラフコントラスト学習によるプロアクティブなAndroidマルウェアドリフト適応
- Abstract要約: Androidマルウェアの急速な進化によって引き起こされたコンセプトドリフトは、機械学習検出器の性能を著しく低下させる。
階層構造データからドリフト不変表現を学習するプロアクティブ適応フレームワークHYDRA(Hybrid Drift Adaptation)を提案する。
- 参考スコア（独自算出の注目度）: 28.520727630326405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concept drift, driven by the rapid evolution of Android malware, severely degrades the performance of machine learning detectors. Current adaptation strategies are often reactive, responding only after performance has dropped and imposing a significant manual annotation burden, or they are proactive but rely on unstable adversarial training and incomplete, single-level graph representations. To overcome these limitations, we propose HYDRA (Hybrid Drift Adaptation), a proactive adaptation framework that learns drift-invariant representations from hierarchically structured data. HYDRA first models applications using a hybrid graph structure, combining fine-grained Control Flow Graphs (CFGs) and coarse-grained Function Call Graphs (FCGs) to capture comprehensive behavioral patterns. It then introduces a novel cross-domain contrastive learning objective that aligns historical (source) and new (target) data distributions. By generating pseudo-labels for unlabeled target samples, our method pulls representations of semantically similar applications together, regardless of their domain, within a single, stable optimization process. This approach unifies feature learning and domain alignment, eliminating the need for complex adversarial objectives. Extensive experiments on large-scale, time-ordered malware datasets demonstrate that HYDRA achieves substantially lower False Negative and False Positive Rates than state-of-the-art baselines while requiring up to 87.5% fewer labeled samples. Our work thus offers a robust and efficient solution to combat concept drift in security applications.
- Abstract（参考訳）: Androidマルウェアの急速な進化によって引き起こされたコンセプトドリフトは、機械学習検出器の性能を著しく低下させる。
現在の適応戦略は、しばしば反応し、パフォーマンスが低下し、重要な手動アノテーションの重荷を課した後にのみ応答する。
これらの制約を克服するために,階層構造データからドリフト不変表現を学習するプロアクティブ適応フレームワークHYDRA(Hybrid Drift Adaptation)を提案する。
HYDRAは、まずハイブリッドグラフ構造を用いて、きめ細かい制御フローグラフ(CFG)と粗いファンクションコールグラフ(FCG)を組み合わせて、包括的な行動パターンをキャプチャするアプリケーションをモデル化する。
次に、歴史(ソース)と新しい(ターゲット)データ分布を整合させる新しいクロスドメインコントラスト学習の目標を導入する。
未ラベルのターゲットサンプルに対して擬似ラベルを生成することにより、ドメインに関係なく、単一の安定した最適化プロセス内に意味論的に類似したアプリケーションの表現をまとめる。
このアプローチは機能学習とドメインアライメントを統一し、複雑な敵対的目標の必要性を排除します。
大規模で時間順のマルウェアデータセットに関する大規模な実験は、HYDRAが最先端のベースラインよりもかなり低い偽陰性率と偽陽性率を達成し、最大87.5%のラベル付きサンプルを必要とすることを示した。
当社の作業は、セキュリティアプリケーションにおけるコンセプトドリフトに対抗する、堅牢で効率的なソリューションを提供します。
関連論文リスト
- Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL [20.70305524296098]
グラフニューラルネットワーク(GNN)は、様々なマルチメディアタスクにおける複雑なリレーショナル依存関係を表現する基盤として登場した。
本稿では,脆弱性を意識したグラフプロシージャ学習を通じて,敵の防御知識を橋渡しする,転送可能なグラフ浄化手法ProGAPを提案する。
ProGAPは1%-9%の改善を実現し、最大2.2倍の時間を短縮する。
論文 参考訳（メタデータ） (2026-08-29T05:08:45Z) - Transfer Learning on Edge Connecting Probability Estimation under Graphon Model [7.805468525082696]
本稿では,グラフ間の構造パターンの整合と伝達を行うため,近傍の平滑化とGromov-Wassersteinの最適輸送を統合した伝達学習フレームワークを提案する。
GTRANSには適応的脱バイアス機構があり、残留な平滑化を通じて標的特異的な偏差を識別し修正する。
これらの改善は、グラフ分類タスクやリンク予測タスクなど、下流アプリケーションの性能向上に直接寄与する。
論文 参考訳（メタデータ） (2025-10-07T02:37:12Z) - Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳（メタデータ） (2024-11-19T09:16:25Z) - Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples [10.352741619176383]
本研究では,ドリフトマルウェアの検出と分類を行う新しい手法を提案する。
グラフニューラルネットワークと対向ドメイン適応を利用して、マルウェア制御フローグラフのドリフト不変性を学習する。
当社のアプローチは,公開ベンチマークや,セキュリティ企業によって毎日報告されている実世界のマルウェアデータベース上でのドリフトマルウェアの検出を大幅に改善する。
論文 参考訳（メタデータ） (2024-07-18T22:06:20Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - Adapting to Change: Robust Counterfactual Explanations in Dynamic Data
Landscapes [9.943459106509687]
我々は、新しい半教師付きグラフカウンターファクトExplainer(GCE)方法論、ダイナミックGRAphカウンタファクトExplainer(DyGRACE)を紹介する。
これは、データ配布に関する初期知識を活用して、有効な偽物を探すと同時に、後続の時間ステップにおいて、潜在的に時代遅れな決定関数からの情報を使用することを避けます。
DyGRACEは非常に効果的でドリフト検出器として機能し、反復間の再構成誤差の違いに基づいて分布ドリフトを識別する。
論文 参考訳（メタデータ） (2023-08-04T14:41:03Z) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳（メタデータ） (2021-08-16T04:20:09Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z)
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。