핵심 개념
GAN을 활용한 데이터 증강이 안드로이드 악성코드 감지 모델의 성능 향상에 효과적임
초록
GAN을 사용한 데이터 증강이 안드로이드 악성코드 감지 모델의 성능 향상에 기여함
안드로이드 악성코드의 특징을 학습하고 추가적인 합성 샘플을 생성하는 WGAN과 DCGAN의 성능 차이를 비교
실제 이미지와 합성 이미지를 사용하여 학습한 CNN의 성능을 비교
안드로이드 악성코드에 대한 이미지 기반 표현의 효과적인 분석 방법을 탐구
안드로이드 악성코드 감지 모델의 성능을 평가하기 위한 여러 메트릭스 사용
통계
안드로이드 악성코드 감지 모델의 성능 향상 범위는 1.5%에서 7%에 이르며 F1 점수는 97.5%에 달함
인용구
"GAN을 사용하여 새로운 데이터 세트를 생성하면 더 크고 다양한 데이터 세트에서 기계 학습 모델을 훈련시키고 모델의 정확성을 향상시킬 수 있음."
"안드로이드 악성코드 감지에 GAN이 성공적으로 적용되어 왔으며, 특정 경우에 기존 기계 학습 접근법을 능가함."