PulseAugur
中
实时 09:14:32
English(EN) Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning

新研究探索用于二进制程序聚类的自监督学习

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新研究探索了自监督学习（SSL）和表格表示学习（TRL）在二进制程序聚类中的应用，这是网络安全中用于恶意软件分析的关键任务。该研究在 Ember 和 Bodmas 数据集上分两个阶段进行，发现像 BYOL 和 SimSiam 这样的改编的基于视觉的 SSL 模型表现与监督方法相当。在无监督学习中，VIME 模型设定了新的最先进水平，而一种称为 VIME-R 的检索增强扩展进一步改进了它，通过更具信息量的训练对增强了恶意软件分析。 AI

影响 这项研究通过改进二进制程序聚类技术，可能导致更有效的自动化恶意软件分析和威胁发现。

排序理由 该集群包含一篇学术论文，详细介绍了使用自监督学习技术进行二进制程序聚类的新方法。[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 →

新研究探索用于二进制程序聚类的自监督学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Martin Mocko, Daniela Chud\'a ·

    Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning

    arXiv:2608.02348v1 Announce Type: cross Abstract: Malware clustering is a critical task in cybersecurity that helps discover threats and analyze evolving malware families. While self-supervised learning (SSL) and tabular representation learning (TRL) have achieved breakthroughs i…

相关实体

相关话题