Bayesian Lernmodelle können kostenlos Adversarial-Malware erkennen
Bayesianische Lernmodelle können Adversarial-Malware effektiv erkennen, ohne dass die Modellleistung beeinträchtigt wird.
Effiziente Holografische Globale Konvolutionsnetzwerke für Langzeit-Vorhersageaufgaben in der Malware-Erkennung
Die Studie stellt HGConv vor, ein neuartiges Netzwerk, das Holografische Reduzierte Darstellungen (HRR) nutzt, um Merkmale aus Sequenzelementen zu codieren und decodieren. Im Gegensatz zu anderen globalen Konvolutionsmethoden erfordert HGConv keine komplexe Kernelberechnung oder spezielles Kerneldesign. HGConv erzielt neue Bestleistungen auf gängigen Malware-Klassifizierungsbenchmarks und skaliert deutlich effizienter mit der Sequenzlänge.
Semantische Darstellung von Daten für erklärbare Windows-Malware-Erkennungsmodelle
Eine einheitliche semantische Darstellung von Malware-Daten, die die Interpretierbarkeit von Erkennungsmodellen verbessert und die Reproduzierbarkeit von Experimenten ermöglicht.
© 2024 by Linnk AI