PulseAugur
中
实时 01:42:08
English(EN) Regression-aware Continual Learning for Android Malware Detection

新框架将Android恶意软件检测中的安全回归率减半

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员在Android恶意软件检测的持续学习中发现并量化了一个关键问题，称为“安全回归”。当模型先前可以检测到的恶意软件样本在更新后即使模型平均性能有所提高，但却逃避了检测时，就会发生这种现象。实验显示，高达3-6%的恶意软件样本会出现安全回归。为了解决这个问题，开发了一个新的回归感知框架，通过正向一致性训练（PCT）实现。该方法在各种持续学习场景中有效地将安全回归率减半，同时保持了长期的强大检测性能。 AI

影响 解决了持续更新的AI模型中的关键安全漏洞，可能提高用户信任度和检测效果。

排序理由 学术论文，介绍了一种用于恶意软件检测持续学习的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架将Android恶意软件检测中的安全回归率减半

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Daniele Ghiani, Daniele Angioni, Giorgio Piras, Angelo Sotgiu, Luca Minnei, Srishti Gupta, Maura Pintor, Fabio Roli, Battista Biggio ·

    面向安卓恶意软件检测的回归感知持续学习

    arXiv:2507.18313v2 Announce Type: replace Abstract: Malware evolves rapidly, forcing machine learning-based detectors to be continuously updated. With antivirus vendors processing hundreds of thousands of new samples daily, datasets can grow to billions of examples, making full r…

相关实体

相关话题