論文の概要: Federated Learning for Malware Image Classification under Data Heterogeneity
- arxiv url: http://arxiv.org/abs/2610.25264v1
- Date: Sun, 18 Oct 2026 13:34:10 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:12:32.978139
- Title: Federated Learning for Malware Image Classification under Data Heterogeneity
- Title（参考訳）: データ不均一性を考慮したマルウェア画像分類のためのフェデレーション学習
- Abstract要約: マルウェア画像分類(MIC)は、マルウェア検出に有効なアプローチとして登場した。
フェデレートラーニング(FL)は、生データを共有することなく、複数のクライアントによってMICを協調的にトレーニングすることを可能にする。
IID条件下ではFLは高い精度を達成できるが、データの非IID化に伴い、精度とトレーニング安定性は低下する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Malware image classification (MIC), in which binary files are converted into visual representations and deep neural networks are trained to identify malware families, has recently emerged as an effective approach for malware detection. Federated learning (FL) enables malware image classifiers to be trained collaboratively by multiple clients without sharing raw data. However, a fundamental challenge in FL is data heterogeneity (non-IID), which is particularly relevant but understudied in the malware context. In this paper, we address this gap via three contributions. First, we present an empirical study of federated MIC under varying degrees of data heterogeneity across three popular malware image datasets (MalImg, Virus-MNIST, and MalNet). We show that while FL achieves strong accuracy under IID conditions, both accuracy and training stability degrade as data becomes increasingly non-IID. Second, we introduce a set of round-level statistics that characterize the data contributed by participating clients in each FL round, and demonstrate that class entropy (diversity of class labels present in a given round) exhibits strong positive correlation with global model accuracy. Third, leveraging this insight, we propose an entropy-aware client selection strategy that filters candidate client subsets based on class entropy, and show that our strategy outperforms standard random selection. Our results highlight the role of client composition in federated MIC and underscore the importance of distribution-aware classifier training under data heterogeneity.
- Abstract（参考訳）: マルウェア画像分類(MIC)は、バイナリファイルを視覚表現に変換し、ディープニューラルネットワークをトレーニングしてマルウェア家族を識別する手法であり、マルウェア検出の効果的なアプローチとして最近登場した。
フェデレートラーニング(FL)は、複数のクライアントが生データを共有せずに、マルウェア画像分類器を協調的に訓練することを可能にする。
しかし、FLの根本的な課題はデータ不均一性(非IID)である。
本稿では,このギャップを3つのコントリビューションを通じて解決する。
まず,3つのマルウェア画像データセット(MalImg, Virus-MNIST, MalNet)におけるデータ不均一性の程度の違いによるフェデレーションMICの実証的研究を行った。
IID条件下ではFLは高い精度を達成できるが、データの非IID化に伴い、精度とトレーニング安定性は低下する。
第2に、各FLラウンドに参加しているクライアントが提供したデータを特徴付けるラウンドレベルの統計データを導入し、クラスエントロピー(与えられたラウンドに存在するクラスラベルの多様性)がグローバルモデル精度と強い正の相関を示すことを示す。
第三に、この知見を利用して、クラスエントロピーに基づいて候補クライアントサブセットをフィルタリングするエントロピー対応クライアント選択戦略を提案し、我々の戦略が標準ランダム選択よりも優れていることを示す。
この結果から,フェデレートされたMICにおけるクライアント構成の役割を強調し,データの不均一性下での分布認識型分類器トレーニングの重要性を強調した。
関連論文リスト
- FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning [5.7494612007431805]
データプライバシを維持しつつ、間接的なクライアント間表現共有をサポートする新しいFLフレームワークであるFedP3Eを提案する。
我々は,N-BaIoTデータセット上のFedP3Eを,データ不均衡の程度が異なる現実的なクロスサイロシナリオ下で評価した。
論文 参考訳（メタデータ） (2025-07-09T20:07:35Z) - FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection [21.93193941981852]
フェデレートラーニング(FL)は、分散データに基づく機械学習モデルの分散トレーニングを可能にする。
現実世界のFL設定では、クライアントデータは不特定に分散され、不均衡になることが多い。
FEDDIVERSEはFLにおける新しいクライアント選択アルゴリズムであり、クライアント間のデータの均一性を管理・活用する。
論文 参考訳（メタデータ） (2025-04-15T14:20:42Z) - FedDr+: Stabilizing Dot-regression with Global Feature Distillation for Federated Learning [27.782676760198697]
フェデレートラーニング(FL)は、効果的なグローバルモデル開発のための重要なフレームワークとして登場した。
FLの主な課題はクライアントのドリフトであり、データの不均一性は分散した知識の集約を妨げる。
我々は,ドット回帰損失を用いた局所モデルアライメントを実現するFedDr+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） (2024-06-04T14:34:13Z) - An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。
従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。
我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文 参考訳（メタデータ） (2024-04-29T05:55:23Z) - FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。
ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。
最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
論文 参考訳（メタデータ） (2024-02-13T20:04:39Z) - Rethinking Data Heterogeneity in Federated Learning: Introducing a New
Notion and Standard Benchmarks [65.34113135080105]
我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。
私たちの観察は直感的である。
私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
論文 参考訳（メタデータ） (2022-09-30T17:15:19Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳（メタデータ） (2021-11-28T19:03:39Z) - Dubhe: Towards Data Unbiasedness with Homomorphic Encryption in
Federated Learning Client Selection [16.975086164684882]
Federated Learning(FL)は、クライアントが自身のローカルデータ上でモデルを協調的にトレーニングできる分散機械学習パラダイムである。
FLの性能劣化の原因を数学的に検証し,様々なデータセット上でのFLの性能について検討する。
そこで我々はDubheという名のプラグイン可能なシステムレベルのクライアント選択手法を提案し,HEの助けを借りてクライアントを積極的にトレーニングに参加させ,プライバシを保護できるようにする。
論文 参考訳（メタデータ） (2021-09-08T13:00:46Z) - Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。
本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。
Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文 参考訳（メタデータ） (2021-04-27T18:23:54Z)
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。