論文の概要: MARS: Malware Analysis with Rule-Based Scoring of LLM Claims

• arxiv url: http://arxiv.org/abs/2610.09553v1
• Date: Wed, 07 Oct 2026 06:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.767673
• Title: MARS: Malware Analysis with Rule-Based Scoring of LLM Claims
• Title（参考訳）: MARS: LLMクレームのルールベーススコーディングによるマルウェア解析
• Abstract要約: 大規模な言語モデルでは、外部ポリシーによる直接的な判断や行動的クレームを通じてマルウェアをトリアージすることができる。 マルウェアトリアージフレームワークであるMARSについて,直接分類とシングルパスクレームスコアを比較した。 我々は、アーカイブされた評定を正確に再現し、修正されたポリシーを同じレコードに適用し、提供者によって取り下げられた2つの追加モデルの出力を含む。
• 参考スコア（独自算出の注目度）: 0.08460698440162889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can triage malware through direct verdicts or behavioral claims scored by an external policy. We present MARS, a malware triage framework, and compare direct classification with single-pass claim scoring using the same evidence collector and identical static evidence bundles for each model. The evaluation covers 1,195 PE and ELF binaries grouped into 1,001 near-duplicate clusters and six language models, with deterministic rules providing a baseline. Direct classification is more accurate for all six models. On samples with usable outputs from both paths, its accuracy advantage ranges from 3.7 to 20.9 percentage points, with all 95% cluster-bootstrap confidence intervals for the differences above zero. It also achieves higher malicious alert recall in ten of twelve platform and model combinations. Claim mediation provides no consistent reduction in performance variation across models. Separate subset studies find more consistent alert decisions for direct classification and a larger recall loss for the claim path when predefined indicator fields are removed. In a family identification probe, claims yield higher accuracy than verdict labels but lower accuracy than evidence text. Retained claims expose the inputs to verdict computation and permit policy revision without another model call. We reproduce archived verdicts exactly and apply a revised policy to the same records, including outputs from two additional models withdrawn by their provider. Under the evaluated claim taxonomy and additive policy, these results favor direct classification when only a verdict is required, while demonstrating that retained claims support explicit policy inspection and revision.
• Abstract（参考訳）: 大規模な言語モデルでは、外部ポリシーによる直接的な判断や行動的クレームを通じてマルウェアをトリアージすることができる。 マルウェアトリアージフレームワークであるMARSについて,同一のエビデンスコレクタと同一の静的エビデンスバンドルを用いて,シングルパスクレームスコアと直接分類を比較した。 評価は1,195のPEとALFのバイナリを1,001近い重複クラスタと6つの言語モデルに分類し、決定論的ルールがベースラインを提供する。 直接分類は6つのモデルでより正確である。 両方の経路から得られる出力を持つサンプルでは、その精度の優位性は3.7から20.9パーセンテージの範囲で、0以上の差に対する95%のクラスタブートストラップ信頼区間がある。 また、12のプラットフォームとモデルの組み合わせのうち10のプラットフォームで、より悪意のあるアラートリコールを実現する。 クレームメディエーションは、モデル間のパフォーマンスの変動を一貫した低減を提供しない。 個別のサブセット研究は、事前定義された指標フィールドが削除された場合、直接分類のためのより一貫した警告決定とクレームパスに対するより大きなリコール損失を見出す。 家族識別プローブでは、クレームは検証ラベルよりも精度が高いが、エビデンステキストよりも精度が低い。 保持されたクレームは、入力を公開して計算を検証し、他のモデルコールなしでポリシー修正を許可する。 我々は、アーカイブされた評定を正確に再現し、修正されたポリシーを同じレコードに適用し、提供者によって取り下げられた2つの追加モデルの出力を含む。 評価されたクレーム分類と付加的政策の下では、これらの結果は、明確な政策検査と修正を支持することを示しながら、評決のみが必要な場合の直接的な分類を優先する。

関連論文リスト

• LOGIC: An LLM Benchmark for Intent-Grounded Change Impact in Aerospace Electrical Systems [0.6567875008573567]
  検出されたすべての違いを伝搬すると、非常に広範囲な影響レポートが生成される。 制御されたベンチマークおよび評価フレームワークであるLOGICを提案する。 LOGICには168のシナリオがあり、144のセレクションと24の棄権ケースが含まれている。
  論文  参考訳（メタデータ） (2026-10-06T01:14:09Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
  証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。 我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
  論文  参考訳（メタデータ） (2026-09-27T13:01:02Z)
• AtomCite: Verification and Correction of Supplied Page-Level Citations in Multi-Page Documents [21.842813905857863]
  AtomCiteは、回答をクレームに解析し、引用されたページのイメージに対して各クレームをチェックし、決定論的修復ポリシーを適用します。 インジェクションされたベンチマークでは、約93%のバイナリ検証精度に達し、OCRのみの条件ではかなり上回っている。 その修理方針は、正しいクレームの90%以上を保持しながら、34%から87-90%までの混合液の引用精度を引き上げている。
  論文  参考訳（メタデータ） (2026-09-05T01:31:50Z)
• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence [0.7340017786387767]
  先行スコアは,文脈メタデータにのみ含まれていても,判断をアンカーし,評価を評価値に体系的にシフトすることを示す。 人間のラベル付き地上真実によるカテゴリー産業データでは、アンカーされたメタデータは誤り訂正の48%をブロックし、割り当てられた間違ったラベルに対して正しい判断の10.18%をフリップする。
  論文  参考訳（メタデータ） (2026-08-26T14:41:24Z)
• Contamination Inflates Scores but Rarely Reorders Large Language Model Leaderboards [0.0]
  ベンチマーク汚染は、大規模言語モデルリーダーボードの信頼性に対する脅威である。 我々は,原文と意味論的に等価な言い換え項目の差分関数によって汚染を測定する。 汚染はリーダーボードを並べ替えることなく絶対スコアを膨らませる。 リーダーボードは、信頼区間とともに、パラフレーズ制御されたランキングを報告することを推奨する。
  論文  参考訳（メタデータ） (2026-07-05T00:55:18Z)
• Deployment-Relevant Alignment Cannot Be Inferred from Model-Level Evaluation Alone [11.663456969895462]
  機械学習におけるアライメント評価は、主にモデルの評価となっている。 本稿では, モデルレベルの評価だけでは, 配置関連アライメントを推定できないことを論じる。
  論文  参考訳（メタデータ） (2026-05-06T03:28:30Z)
• How Independent are Large Language Models? A Statistical Framework for Auditing Behavioral Entanglement and Reweighting Verifier Ensembles [46.63622714488747]
  共有事前学習データ、蒸留、アライメントパイプラインは、隠れた振る舞い依存、潜伏絡みを誘導することができる。 実際には、これは相関した推論パターンと同期された障害として現れます。 ブラックボックス言語モデル間の行動絡みを監査するための統計的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-04-08T23:32:06Z)
• Probing for Knowledge Attribution in Large Language Models [45.47366023067617]
  大規模言語モデル(LLM)は、しばしば流動的だが根拠のないクレームや幻覚を生成する。 適切な緩和は、モデルの答えがプロンプトまたは内部の重みに基づいているかどうかを知ることに依存する。 モデル隠れ表現に基づいて訓練された単純な線形分類器であるプローブは、帰納的帰属を確実に予測できることを示す。
  論文  参考訳（メタデータ） (2026-02-26T09:21:12Z)
• Dependence-Aware Label Aggregation for LLM-as-a-Judge via Ising Models [55.94503936470247]
  大規模なAI評価は、審査員を含む、$K$アノテータからのバイナリ判断を集約することにますます依存している。 ほとんどの古典的なメソッドは、アノテータが条件的に独立であると仮定するが、真のラベルは$Yin0,1$であり、この仮定は LLM の審査員によってしばしば違反される。 我々はIsingグラフィカルモデルと潜在因子に基づく依存認識モデルの階層構造を通してラベルアグリゲーションを研究する。
  論文  参考訳（メタデータ） (2026-01-29T21:26:50Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)

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。