論文の概要: SAGEGAN: Style-Based Anomaly Detection with Gaussian Embeddings using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2609.27357v1
• Date: Wed, 23 Sep 2026 04:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.891134
• Title: SAGEGAN: Style-Based Anomaly Detection with Gaussian Embeddings using Generative Adversarial Networks
• Title（参考訳）: SAGEGAN:生成逆ネットワークを用いたガウス埋め込みによるスタイルベース異常検出
• Abstract要約: 本稿では,マルウェア検出フレームワークであるSAGEGANについて述べる。 この表現は、ヒルベルトマップされたバイト値、良性参照されたバイト遷移サプライズ、および良性ソフトウェアからのエントロピー偏差を組み合わせたものである。 階層的なスタイルモデリングは、異常ランキングと、マルウェアファミリーが良質な多様体からどのように離脱するかに関する構造的ポストホック分析の両方をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malware evolves faster than rule-based and signature-driven detection pipelines. This paper presents SAGEGAN, a benign-only trained malware anomaly detection framework that converts portable executable files into compact three-channel images and models benign structure through style-conditioned adversarial reconstruction. The representation combines Hilbert-mapped byte values, benign-referenced byte-transition surprise, and entropy deviation from benign software. The model encodes each image into a layer-wise style tensor aligned with a seven-stage modulated generator, rather than a single latent bottleneck. A Gaussian style prior, moment-based prior alignment, and latent consistency are used to reduce mismatch between encoded benign styles and the generator's sampled manifold. For interpretation, a deterministic encoder pathway maps each executable to a fixed style tensor, enabling repeatable layer-wise family distance, gradient sensitivity, principal component, and class-behaviour analyses. On a self-collected portable executable corpus containing malware from 214 families, the Gaussian variant achieves 89.76% area under the receiver operating characteristic curve and 88.19% balanced accuracy, while the genome-style variant reaches 88.03% and 84.09%, respectively. Without refitting model weights, benign reference statistics, or decision thresholds, the same checkpoints are evaluated on DIKE, Microsoft BIG 2015, and Lester malware subsets. The results suggest that layer-wise style modelling supports both anomaly ranking and structured post hoc analysis of how malware families depart from the benign manifold.
• Abstract（参考訳）: マルウェアはルールベースやシグネチャ駆動検出パイプラインよりも高速に進化する。 本稿では,携帯可能な実行可能ファイルをコンパクトな3チャンネル画像に変換するための,良性のみを訓練したマルウェア異常検出フレームワークであるSAGEGANについて述べる。 この表現は、ヒルベルトマップされたバイト値、良性参照されたバイト遷移サプライズ、および良性ソフトウェアからのエントロピー偏差を組み合わせたものである。 モデルは、各画像を単一の遅延ボトルネックではなく、7段変調ジェネレータに整列したレイヤワイドなテンソルにエンコードする。 符号化された良性スタイルとジェネレータのサンプル多様体とのミスマッチを低減するために、ガウス様式、モーメントベース事前アライメント、潜時整合が使用される。 解釈のために、決定論的エンコーダ経路は、各実行可能を固定スタイルテンソルにマッピングし、繰り返し可能なレイヤワイド家族距離、勾配感度、主成分、クラスビヘイビア分析を可能にする。 214ファミリーのマルウェアを含む自己コンパイル可能な可搬性コーパスでは、ガウス変種はレシーバ動作特性曲線の下で89.76%の領域を達成し、88.19%の精度で、ゲノム型変種はそれぞれ88.03%と84.09%に達する。 DIKE、Microsoft BIG 2015、Lesterのマルウェアサブセットで同じチェックポイントが評価される。 以上の結果から, 階層構造モデリングは, マルウェア群が良質な多様体からどのように離脱するかを, 異常ランキングと構造解析の両方をサポートすることが示唆された。

関連論文リスト

• Probabilistic and Geometry Aware Neural Surrogate of Scrape Off Layer Plasma Simulations [2.720699926154399]
  トカマク境界プラズマシミュレーションのための高速サロゲートは、通常、大域的な操作点を細胞値の平坦なベクトルにマッピングする決定論的回帰器である。 本研究は両問題に対処する。我々はカービリニアメッシュを3つの固定サイズの画像テンソルに展開する。 その後、高感度システムに適した条件付きフローマッチングモデルが、この表現に基づいて訓練される。
  論文  参考訳（メタデータ） (2026-09-23T13:45:19Z)
• ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation [10.378378296066305]
  プロトギターは勾配を持つフリーズモデルを操るが、離散グラフ拡散は離散エッジ状態をサンプリングするので、勾配はサンプルグラフを伝播することができない。 現実世界のネットワークと2つの異なるバックボーンの5つのクラスにおいて、ProtoGuideはマクロ分類の精度を50.7%から73.5%に引き上げ、73.6%から83.8%に引き上げ、私たちの構成下でのDiGressの組み込み条件トレーニングより優れている。
  論文  参考訳（メタデータ） (2026-09-14T08:57:08Z)
• LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
  現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。 崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。 本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:58:47Z)
• Behavioral Grammar: Detecting Adaptive Malware via Tiny Language Model Priors and Second-Order Temporal Analysis [1.560152792366037]
  本稿では,ホストの動作を構造化言語として扱う検出アーキテクチャである振舞い文法について述べる。 各システムイベントは、イベントタイプ、プロセス、引数スケルトン、パスカテゴリ、親プロセス、ユーザ、宛先、イベント間タイミングにまたがる8つのトークン表現に識別される。 我々は,これらの知見を共進化経済学モデルに組み入れ,行動文法検出はルール回避から分布マッチングへ回避コストをシフトさせると主張した。
  論文  参考訳（メタデータ） (2026-08-01T16:28:38Z)
• 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)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor [7.417407987122394]
  既存のマルウェア検出方法は、既存の悪意のあるサンプルのみを対象としている。 本稿では,マルウェアとその変異を効率的に検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-25T03:20:34Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)

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。