PulseAugur
中
实时 11:34:43
English(EN) Diagnosing and Mitigating Domain Shift in Permission-Based Android Malware Detection

域偏移严重影响Android恶意软件检测模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员在用于Android恶意软件检测的机器学习模型中发现了显著的域偏移问题。虽然在一个数据集（PerMalDroid）上训练的模型在另一个数据集（NATICUSdroid）上表现良好，但反之则准确率大幅下降。可解释AI分析显示，特征重要性不稳定，模型依赖于特定数据集的权限，这表明预测特征集存在根本性不匹配。结合通用特征的混合训练策略成功提高了跨域性能，凸显了对鲁棒恶意软件检测系统的需求。 AI

影响 强调了当前基于机器学习的恶意软件检测的关键局限性，需要更鲁棒、跨域适应性更强的系统。

排序理由 研究论文，详细介绍了诊断和缓解Android恶意软件检测机器学习模型中域偏移的新方法。[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 →

域偏移严重影响Android恶意软件检测模型

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Md Rafid Islam ·

    基于权限的安卓恶意软件检测中的领域偏移诊断与缓解

    arXiv:2605.09028v3 Announce Type: replace Abstract: Machine learning-based Android malware detectors often fail in real-world deployment due to domain shift, where models trained on one data source perform poorly on applications from another. This paper presents a comprehensive s…

相关实体

相关话题