Fugu-MT 論文翻訳(概要): E-UDE: A Scientific Machine Learning Model for Malware Propagation Dynamics

論文の概要: E-UDE: A Scientific Machine Learning Model for Malware Propagation Dynamics

arxiv url: http://arxiv.org/abs/2611.00971v1
Date: Sat, 31 Oct 2026 14:13:58 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-03 19:35:50.423053
Title: E-UDE: A Scientific Machine Learning Model for Malware Propagation Dynamics
Title（参考訳）: E-UDE: マルウェア伝播ダイナミクスのための科学機械学習モデル
Abstract要約: 既存の機械的およびデータ駆動モデルにおいて、マルウェアの伝播ダイナミクスの文脈において、解釈可能性や予測精度にいくつかの問題がある。本研究では,マルウェアの伝播に影響を及ぼすより詳細な要因を明示的に組み込んだ拡張ユニバーサル微分方程式フレームワークを提案する。実世界のマルウェアの伝播データの評価は、E-UDEが全体的なパフォーマンスを最高のものにしていることを示している。
参考スコア（独自算出の注目度）: 0.9312402911472568
License:
Abstract: Understanding the malware propagation dynamics over the Internet is crucial for effectively controlling its spread. Existing mechanistic and data-driven models in the context of malware propagation dynamics, have some issues with either interpretability or predictive accuracy. This study presents an Enhanced Universal Differential Equation (E-UDE) framework that explicitly incorporates more detailed key factors that influence malware propagation. Evaluation on real-world malware propagation data shows that the E-UDE achieves the best overall performance, attaining an overall RMSE of 783.70 and MAE of 421.65. Compared with the Classical ODE and the UDE models, the proposed approach reduces RMSE by approximately 66 percent and 39 percent, respectively. Its robustness to predictive capability is further evaluated. In this experiment, the E-UDE achieves a Test RMSE of 634.6, a Test MAE of 419.3, and a Test Correlation of 0.964. The E-UDE maintains relatively stable prediction performance as the noise level increases, showing limited degradation compared with the baseline models. Furthermore, this E-UDE model enables us to perform several scenario analyses under different cybersecurity scenarios, providing a useful framework for better understanding the effective control factors. To study the wide applicability of the E-UDE framework, the model performance is assessed by two different datasets, namely, Code Red dataset and Witty Worm dataset.
Abstract（参考訳）: インターネット上でのマルウェアの伝播のダイナミクスを理解することは、その拡散を効果的に制御するために重要である。既存の機械的およびデータ駆動モデルにおいて、マルウェアの伝播力学の文脈において、解釈可能性または予測精度にいくつかの問題がある。本研究では、マルウェアの伝播に影響を与えるより詳細な要因を明示的に組み込んだ拡張ユニバーサル微分方程式(E-UDE)フレームワークを提案する。実世界のマルウェアの伝播データを評価すると、E-UDEは最高性能を達成し、RMSEは783.70、MAEは421.65である。古典的ODEモデルとUDEモデルと比較して,提案手法はRMSEをそれぞれ66%,39%削減する。その予測能力に対する堅牢性はさらに評価される。この実験では、E-UDEは634.6のテストRMSE、419.3のテストMAE、0.964のテスト相関を達成した。 E-UDEは、ノイズレベルが増加するにつれて比較的安定した予測性能を維持し、ベースラインモデルに比べて劣化が限られている。さらに、このE-UDEモデルにより、異なるサイバーセキュリティシナリオ下で複数のシナリオ分析を行うことができ、効果的な制御要因をよりよく理解するための有用なフレームワークを提供する。 E-UDEフレームワークの広範な適用性を調べるため、モデルパフォーマンスは、Code RedデータセットとWitty Wormデータセットの2つの異なるデータセットによって評価される。

関連論文リスト

Integrating Persuasion Theory into the Epidemiological Modelling of Health Misinformation Spread on Social Media [0.0]
本研究では,ソーシャルメディア上での健康情報拡散をシミュレートする,ハイブリッドな疫学的・行動的枠組みを提案する。従来のSIRモデルからSIRMMM(Misinformed Susceptible)、MI(Misinformed Infected)、MR(Misinformed Recovered)の6成分構造に拡張した。その結果,EMM-SIRMMMモデルにより予測精度と動的リアリズムが向上することが示唆された。
論文参考訳（メタデータ） (2026-08-16T11:34:25Z)
Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction [0.5277024349608834]
この研究は、1Hz表面ドリルデータ60秒のラベル付きシーケンスをトレーニングし、SSI(スティック・スリップ指数)の予測によりドメイン間を一般化できるロバスト回帰モデルを開発することを目的としている。適応領域一般化(ADG)、不変リスク最小化(IRM)、ベースラインモデルの比較分析を行い、モデル性能改善における転写学習(TL)の有効性の評価を行った。
論文参考訳（メタデータ） (2026-01-06T10:09:42Z)
Robustness of Probabilistic Models to Low-Quality Data: A Multi-Perspective Analysis [23.834741751854448]
低品質データの効果に関する体系的な比較研究は、現代の確率モデルにまたがる頑健性のスペクトルを明らかにしている。トークン予測からシーケンス・ツー・シーケンス・タスクに至るまで,自動回帰言語モデルは極めてレジリエンスであることがわかった。同じレベルのデータ破損の下で、クラス条件拡散モデルは破滅的に劣化する。
論文参考訳（メタデータ） (2025-12-11T02:10:41Z)
Attribution for Enhanced Explanation with Transferable Adversarial eXploration [10.802449518516209]
AttEXplore++は、転送可能な逆アタックメソッドを組み込むことで、属性を向上させる。我々は、ImageNetデータセットを用いて、CNN(Inception-v3, ResNet-50, VGG16, vision transformer)を含む5つのモデルで実験を行う。提案手法は,AttEXploreに比べて7.57%,32.62%の性能向上を実現している。
論文参考訳（メタデータ） (2024-12-27T08:27:53Z)
InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
論文参考訳（メタデータ） (2024-02-14T17:49:07Z)
The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。