論文の概要: Mal-AAEGAN: Adversarial Autoencoder with Double-Critic WGAN-GP for Malware Generation

• arxiv url: http://arxiv.org/abs/2610.26488v1
• Date: Mon, 19 Oct 2026 14:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 02:56:54.791099
• Title: Mal-AAEGAN: Adversarial Autoencoder with Double-Critic WGAN-GP for Malware Generation
• Title（参考訳）: Mal-AAEGAN: マルウェア生成のための二重臨界WGAN-GPを用いた対向オートエンコーダ
• Abstract要約: Mal-AAEGANは、M$DのバイナリAPI特徴ベクトルの低次元、正規化され、連続的な潜在表現を学習する対向的オートエンコーダである。 Mal-AAEGAN は連続的な潜伏空間で安定的に列車を運転し、これらの二進空間ベースラインと同等以上の脱離率を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine-learning (ML) malware detectors are known to be vulnerable to adversarial samples. Generative adversarial networks (GANs) such as MalGAN, Mal-LSGAN, and our previous Mal-D2GAN can craft adversarial malware to probe and harden these detectors, yet they operate directly on a high-dimensional, discrete binary feature space, which leads to unstable training, vanishing gradients, and adversarial samples of limited diversity. To address these problems we propose Mal-AAEGAN. First, an adversarial autoencoder (AAE) learns a low-dimensional, regularized and continuous latent representation of the $M$-dimensional binary API feature vector, and the generator performs an additive perturbation in this latent space rather than in the raw binary space. Second, training follows the Wasserstein GAN with gradient penalty (WGAN-GP) scheme using two critics: a mimic-black-box critic that inherits the role of the substitute detector and a naive critic that inherits the role of the additional detector. A decode-binarize-OR pipeline guarantees that the original API calls of the malware are preserved. The model is evaluated on two malware datasets of different input dimensionality ($M\in\{139,215\}$) against eight common ML detectors and compared, under an identical protocol, with MalGAN, Mal-LSGAN and Mal-D2GAN. Mal-AAEGAN trains stably in the continuous latent space and attains an evasion rate on par with or higher than these binary-space baselines across both datasets, while its generator stays responsive to the noise input rather than reducing to a single fixed perturbation per malware.
• Abstract（参考訳）: 機械学習(ML)マルウェア検出器は、敵のサンプルに対して脆弱であることが知られている。 MalGAN、Mal-LSGAN、我々のMal-D2GANのようなジェネレーティブ・ディベザリ・ネットワーク(GAN)は、これらの検出器を探索し、強化するために、敵のマルウェアを作ることができるが、それらは高次元の離散的特徴空間で直接動作し、不安定なトレーニング、勾配の消滅、限られた多様性の敵のサンプルへと繋がる。 これらの問題に対処するため,Mal-AAEGANを提案する。 まず、逆数オートエンコーダ(AAE)は、M$次元のバイナリAPI特徴ベクトルの低次元、正規化および連続潜時表現を学習し、生成器は生のバイナリ空間ではなく、この潜時空間で加法摂動を行う。 第2に、Wasserstein GANの勾配ペナルティ(WGAN-GP)によるトレーニングは、代替検出器の役割を継承する模擬ブラックボックス批判と、追加検出器の役割を継承するナイーブ批判という2つの批評家を用いて行われる。 decode-binarize-ORパイプラインは、マルウェアのオリジナルのAPI呼び出しが保存されることを保証する。 このモデルは、8つのML検出器に対して異なる入力次元(M\in\{139,215\}$)の2つのマルウェアデータセットで評価され、MalGAN、Mal-LSGAN、Mal-D2GANと同一のプロトコルで比較される。 Mal-AAEGANは連続的な潜伏空間で安定的にトレーニングし、両方のデータセットでこれらのバイナリ空間ベースラインと同等以上の回避率を達成する。

関連論文リスト

• G2VD: Generalizable AI-Generated Video Detection via Counterfactual Intervention and Causal Disentanglement [9.616281293383684]
  対実的介入と因果的絡み合いに基づく一般化可能なAI生成ビデオ検出フレームワーク。 G2VDは、一致したバックボーンよりも高い平均クロスドメインパフォーマンスと一貫したゲインを示す。 この性能は、元のトレーニングデータの10%だけを用いて得られる。
  論文  参考訳（メタデータ） (2026-07-06T02:25:18Z)
• Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems [0.0]
  侵入攻撃はMLベースのシステムへの入力を意図的に操作し、操作された入力がまだ良さそうに見える間に誤った予測を生成する。 本稿では,Residual Localisation Detector (RLD) とFeature-Space Perturbation Consistency (FPC) Detector (FPC) の2つの補完検出器を提案する。 UQ-IoTデータセット内の複数のIoTデバイスからの良性、悪意、敵対的なトラフィックに対して、両方の検出器を評価する。
  論文  参考訳（メタデータ） (2026-07-01T17:26:24Z)
• Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
  GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
  論文  参考訳（メタデータ） (2025-12-15T04:58:08Z)
• Enhanced Consistency Bi-directional GAN(CBiGAN) for Malware Anomaly Detection [0.25163931116642785]
  本稿では,マルウェア異常検出分野におけるCBiGANの適用について紹介する。 我々は、ポータブル実行可能ファイル(PE)とObject Linking and Embedding(OLE)ファイルの両方を含む、いくつかのデータセットを利用する。 次に,214のマルウェアファミリーから自己コンパイルされた悪意のある実行ファイルを含む,PEおよびOLEファイルの多種多様なセットに対して,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-06-09T02:43:25Z)
• Mal-D2GAN: Double-Detector based GAN for Malware Generation [0.0]
  Mal-D2GANモデルは二重検出器と最小二乗損失関数で設計され、20,000サンプルのデータセットでテストされた。 その結果,Mal-D2GANモデルにより,8つのマルウェア検出装置の検出精度(真の正の率)が低下した。
  論文  参考訳（メタデータ） (2025-05-24T17:38:28Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)

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。