マルウェア分類システムの信頼性を高めるために、特徴量データセットと画像データセットを用いたニューラルネットワークの検証プロセスを提案する。
ベイズ学習モデルを使うことで、モデルの不確実性を活用してアドバーサリアルマルウェアを効果的に検出できる。
本論文では、ホログラフィック縮小表現(HRR)の特性を活用したホログラフィックグローバル畳み込みネットワーク(HGConv)を提案する。HGConvは、複雑な畳み込み演算や設計された畳み込みカーネルを必要とせず、パラメータとして定義されたカーネルを通じて特徴のエンコーディングとデコーディングを行う。提案手法は、Microsoft Malware Classification Challenge、Drebin、EMBERのマルウェア分類ベンチマークにおいて新しい最高精度を達成し、さらに長シーケンスにおいても高速な実行時間を実現する。