論文の概要: Trouble With Time: Compile Timestamps and First-Seen Date Regression in EMBER2024

• arxiv url: http://arxiv.org/abs/2611.01031v1
• Date: Sat, 31 Oct 2026 15:21:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:23:22.656202
• Title: Trouble With Time: Compile Timestamps and First-Seen Date Regression in EMBER2024
• Title（参考訳）: 時間とのトラブル:EMBER2024でタイムスタンプのコンパイルと最初の日付の回帰
• Abstract要約: 機械学習が実行可能時間の初診日を推定できるかどうか,あるいはコンパイルタイムスタンプが信頼できないタイミングを判断できるかどうかを検討する。 直接ファーストルックレグレッションは、データセットのコレクションウィンドウのかなりの部分に相当するエラーを生成する。 良識と悪意のある実行ファイルの間にかなりのタイムスタンプの相違がある。
• 参考スコア（独自算出の注目度）: 36.98245848636368
• License:
• Abstract: Reliable first-seen dates are important for constructing temporal malware evaluation splits, but this information often comes from external services that are not equally accessible to all researchers. We investigate whether machine learning can instead estimate an executable's first-seen date or determine when its PE/COFF compilation timestamp is unreliable. Using EMBER2024, we evaluate feature-based and raw-byte models across classification, regression, ranking, and latent-reliability formulations. Direct first-seen regression produces errors comparable to a substantial portion of the dataset's collection window, and none of the evaluated scores provides a useful chronological ordering of files. Current models therefore cannot replace externally sourced first-seen metadata. In contrast, classifiers can identify timestamps that fall within specified tolerances of first seen and can detect clearly implausible timestamps with high discrimination. We also find substantial timestamp disagreement among both benign and malicious executables, indicating that unreliable timestamps are not exclusively a product of malicious manipulation. These results establish baselines and identify timestamp reliability as a distinct direction for future security-ML research.
• Abstract（参考訳）: 信頼性の高い初診日は、時間的マルウェア評価の分割を構築する上で重要であるが、この情報は、すべての研究者に等しくアクセスできない外部サービスに由来することが多い。 機械学習が実行可能時間の初診日を推定できるのか、それともPE/COFFコンパイルタイムスタンプが信頼できないのかを検討する。 EMBER2024を用いて、分類、回帰、ランク付け、潜在信頼性の定式化を含む特徴ベースおよび生バイトモデルを評価する。 直接ファーストルックレグレッションは、データセットのコレクションウィンドウのかなりの部分に相当するエラーを生成し、評価されたスコアのどれも、ファイルの時間的順序付けに有用なものを提供していない。 そのため、現在のモデルでは、外部ソースのファーストシークなメタデータを置き換えることはできない。 対照的に、分類器は、最初に見た特定の許容範囲に該当するタイムスタンプを識別でき、高い識別率で明らかに不明瞭なタイムスタンプを検出することができる。 また、悪質な実行ファイルと悪質な実行ファイルの間にかなりのタイムスタンプの不一致があり、信頼できないタイムスタンプが悪質な操作の産物ではないことを示している。 これらの結果はベースラインを確立し、将来のセキュリティ-ML研究の明確な方向性としてタイムスタンプの信頼性を識別する。

関連論文リスト

• Time-Series Foundation Models That Understand Data Revisions [0.0]
  VINTAGE-TSは時系列基礎モデルのリビジョン対応である。 そのターゲットは、次の期間の最初の発行された価値であり、その発表の数日後に利用可能な価値である。 ALFREDに基づくローリング評価,一致したクロノス2の比較,従来およびリビジョン対応ベースライン,事前学習重複の個別監査を行う。
  論文  参考訳（メタデータ） (2026-09-23T12:29:23Z)
• Do Generative Models Keep Time? A Time-Aware Evaluation of Synthetic Sequential Tabular Data [28.948173366251286]
  時間的忠実度を評価するための分類誘導評価プロトコルを提案する。 このプロトコルを、6つの領域にまたがる13のデータセットの8つの生成モデルに適用する。
  論文  参考訳（メタデータ） (2026-07-17T03:59:35Z)
• Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles [9.53248032827498]
  FATE(Forecasting Anomalies with Time-Series Ensembles)を提案する。 FATEは将来の値を予測し、アンサンブルの不一致を利用して、推論時にターゲット値にアクセスすることなく、潜在的な異常の早期兆候を示す。 5つの実世界のベンチマークデータセットの実験により、FATEはPTaPR AUCの19.9ポイント、早期検出のF1スコアの20.02ポイントの平均的な改善を達成している。
  論文  参考訳（メタデータ） (2026-02-19T02:48:09Z)
• Not in Sync: Unveiling Temporal Bias in Audio Chat Models [59.146710538620816]
  大規模音声言語モデル(LALM)は、音声理解やマルチモーダル推論にますます応用されている。 LALMにおける時間バイアスに関する最初の体系的研究を行い,その時間スタンプ予測における重要な限界を明らかにした。
  論文  参考訳（メタデータ） (2025-10-14T06:29:40Z)
• Probing Pre-trained Language Models on Code Changes: Insights from ReDef, a High-Confidence Just-in-Time Defect Prediction Dataset [0.0]
  本稿では,22の大規模C/C++プロジェクトから得られた関数レベル修正の信頼性の高いベンチマークであるReDefを紹介する。 欠陥ケースはコミットの反転によって固定され、クリーンケースはポストホック履歴チェックによって検証される。 このパイプラインは3,164の欠陥と10,268のクリーンな修正をもたらし、既存のリソースよりも信頼性の高いラベルを提供する。
  論文  参考訳（メタデータ） (2025-09-11T07:07:11Z)
• PATE: Proximity-Aware Time series anomaly Evaluation [3.0377067713090633]
  従来のパフォーマンスメトリクスは、IDデータを仮定し、複雑な時間的ダイナミクスと時系列異常の特定の特性をキャプチャできない。 本稿では、予測と異常区間の時間的関係を組み込んだ新しい評価指標であるPATE(Proximity-Aware Time series anomaly Evaluation)を紹介する。 合成および実世界のデータセットを用いた実験は、より合理的で正確な評価を提供する上で、PATEの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-20T15:06:36Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)

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。