論文の概要: Stress-Testing Structure-Aware Calibration of Malware Graph Neural Networks under Type Shift

• arxiv url: http://arxiv.org/abs/2609.28517v1
• Date: Tue, 22 Sep 2026 00:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.378935
• Title: Stress-Testing Structure-Aware Calibration of Malware Graph Neural Networks under Type Shift
• Title（参考訳）: ストレス試験構造-型シフトによるマルウェアグラフニューラルネットワークの校正
• Abstract要約: ポストホックマルウェアキャリブレータは、グラフ構造に対する信頼性を条件付けることができるが、その構造的入力は、バリデーションデータで表されるサポートをマルウェアタイプのシフトに残す可能性がある。 このリスクは,4種類のマルウェアを3つの種に分けて保持し,グラフ同型ネットワークを凍結し,既知のデータのみにポストホックマッピングを適用することで検討する。
• 参考スコア（独自算出の注目度）: 2.650267352862835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-hoc malware calibrators can condition confidence on graph structure, but their structural inputs may leave the support represented by validation data under malware-type shift. We study this risk on MalNet-Tiny by holding out each of four malware types across three seeds, freezing a graph isomorphism network, and fitting post-hoc mappings only on known-type data. Adding eight community covariates to a generic-topology calibrator increases mean negative log likelihood (NLL) by 0.1369; a type-cluster bootstrap gives a 95% interval of [-0.0125, 0.2864]. A capacity-matched control adds eight label-independent nuisance variables over 20 deterministic repeats and increases NLL by only 0.0415, indicating that input count explains part but not all of the degradation. We then use calibration data to define a community-support guard: predictions outside the 95th percentile of calibration-standardized community displacement revert to the generic calibrator. The guard reduces combined NLL by 0.1133 and high-confidence errors from 43.25 to 33.25 per 400-sample cell, while its NLL remains close to the generic baseline. These results show how structural covariates can create support-sensitive confidence errors and how a label-free fallback can recover most of the resulting loss.
• Abstract（参考訳）: ポストホックマルウェアキャリブレータは、グラフ構造に対する信頼性を条件付けることができるが、その構造的入力は、バリデーションデータで表されるサポートをマルウェアタイプのシフトに残す可能性がある。 このリスクは,4種類のマルウェアを3つの種に分けて保持し,グラフ同型ネットワークを凍結し,既知のデータのみにポストホックマッピングを適用することで検討する。 ジェネリックトポロジーキャリブレータに8つのコミュニティ共変量を加えると、平均負のログ可能性(NLL)は0.1369増加し、タイプクラスタブートストラップは[-0.0125, 0.2864]の95%間隔を与える。 キャパシティマッチング制御は、20個の決定論的繰り返しに対してラベルに依存しない8つのニュアンス変数を追加し、NLLを0.0415だけ増加させる。 次に、キャリブレーションデータを用いて、コミュニティ支援ガードを定義する。つまり、キャリブレーション標準化されたコミュニティ変位の95%外にある予測を、ジェネリックキャリブレータに戻す。 ガードはNLLを0.1133削減し、400サンプルセル当たりの高信頼エラーは43.25から33.25に削減するが、NLLは一般的なベースラインに近いままである。 これらの結果は, 構造共変器が支持感性信頼誤差を発生させるか, ラベルフリーのフォールバックが損失の大部分を回復させるかを示す。

関連論文リスト

• EDGE: a closed-form directed test for the calibration of probabilistic binary classifiers [0.0]
  本稿では,正規確率分類器の校正テストであるEDGEを提案し,ロジスティック回帰法を提案する。 EDGEは、同一のビン付き予測観測テーブルを信頼性図のプロットとして読み出し、その標準化されたビン残差をスムーズなキャリブレーション歪みの小さな前提に投影する。 リンクと特徴の相違により、既定のデフォルトが22のシナリオのうち、19のシナリオで全ての競合するビン付きテストに導かれるか、あるいは結び付けられ、再適合ベースのStukelスコアテストが20%から28%のサンプルで分離される場合、計算可能のままであった。
  論文  参考訳（メタデータ） (2026-08-20T19:06:05Z)
• Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers [0.0]
  デプロイされた安全分類器における分散シフトのオンラインモニタリングシステムを提案する。 検出後、共形吸収層は、目標誤差を回復する決定に適応する。 このシステムは平均遅延39.5800ステップで86.6%の検知を実現している。
  論文  参考訳（メタデータ） (2026-06-10T11:24:25Z)
• Alignment Collapse Under KV Cache Quantization: Diagnosis and Mitigation [6.129872931808218]
  キー値(KV)キャッシュの量子化は、Large Language Model(LLM)推論メモリの削減に広く利用されている。 本研究では,KVキャッシュ量子化下でのアライメント保存について検討する。 低ビット量子化は安全アライメントを静かに破壊することができる。
  論文  参考訳（メタデータ） (2026-06-01T02:02:20Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Calibrating Deep Neural Network using Euclidean Distance [5.3612053942581275]
  機械学習では、Focal Lossは、サンプルの分類が難しいことを強調することで、誤分類率を減らすために一般的に使用される。 高校正誤差は予測確率と実際の結果との相違を示し、モデルの信頼性に影響を及ぼす。 本研究では,FCL (Focal Loss) と呼ばれる新しい損失関数を導入する。
  論文  参考訳（メタデータ） (2024-10-23T23:06:50Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Fault-tolerant parity readout on a shuttling-based trapped-ion quantum computer [64.47265213752996]
  耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。 フラグ条件パリティ測定の単発忠実度は93.2(2)%である。 このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
  論文  参考訳（メタデータ） (2021-07-13T20:08:04Z)

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。