PulseAugur
中
实时 05:49:39
English(EN) Latent Stability Analysis of Malware Representations Under Feature-Space Perturbations

新研究分析扰动下恶意软件表示的稳定性

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文介绍了一个用于分析恶意软件表示在特征空间扰动下稳定性的流程。该方法应用于 EMBER 静态 PE 特征向量，比较了包括主成分分析 (PCA) 和变分自编码器 (VAE) 在内的各种压缩和表示技术。该研究定义了一个称为潜在逃逸散度 (Latent Escape Divergence, LED) 的指标来量化逃逸时间剖面的变化，并使用 PINNFlow 导出的指标来表征潜在移动，旨在提供超越标准分类指标的更深入的见解。 AI

影响 这项研究为评估人工智能驱动的恶意软件检测系统在对抗性扰动下的鲁棒性提供了一种新方法。

排序理由 该集群包含一篇研究论文，详细介绍了恶意软件表示的新颖分析流程和指标。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新研究分析扰动下恶意软件表示的稳定性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Bamidele Ajayi, Ken McGarry ·

    特征空间扰动下恶意软件表示的潜在稳定性分析

    arXiv:2607.24896v1 Announce Type: cross Abstract: Static malware detectors are commonly evaluated using clean-sample metrics such as accuracy, F1, ROC AUC, and PR AUC. However, these metrics provide limited insight into how learned malware representations behave when feature vect…

相关实体

相关话题