PulseAugur
中
实时 22:08:24
English(EN) Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection

新AI方法应对不断演变的安卓恶意软件检测

作者 PulseAugur 编辑部 · [4 个来源] ·

研究人员开发了新的方法来应对安卓恶意软件检测系统中的概念漂移问题，该问题是指模型性能会因恶意软件特征的演变而随时间下降。一种方法，“使用自监督和强化学习的概念漂移适应”，利用自监督学习来获得稳定的表示，并利用强化学习来选择具有成本效益的维护操作。另一种方法，“SEED：用于在预算内应对概念漂移的半监督持续恶意软件检测”，结合了半监督持续学习和主动学习，以在有限的标记数据下提高检测能力。第三项研究，“时间概念漂移下的对抗性漏洞”，纵向评估了对抗性鲁棒性，发现时间分离和增加的训练-测试差距会降低鲁棒性，即使进行了再训练。 AI

影响 这些进展旨在提高旨在检测移动环境中不断演变威胁的AI系统的长期有效性和鲁棒性。

排序理由 arXiv上发表了多篇学术论文，详细介绍了AI驱动的安卓恶意软件检测的新研究方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →

新AI方法应对不断演变的安卓恶意软件检测

报道来源 [4]

  1. arXiv cs.AI TIER_1 English(EN) · Ahmed Sabbah, Mohammad Kharma, Mohammad Alkhanafseh, Radi Jarrar, Samer Zein, David Mohaisen ·

    使用自监督和强化学习进行概念漂移适应以检测安卓恶意软件

    arXiv:2605.24294v1 Announce Type: cross Abstract: Android malware detectors often degrade after deployment because of concept drift, while full retraining at each maintenance step is costly. We propose a chronological adaptive maintenance framework that models deployment-time mai…

  2. arXiv cs.LG TIER_1 English(EN) · Suresh Kumar Amalapuram, Bikraj Shresta, Siva Ram murthy Chebiyam, Bheemarjuna Reddy Tamma, Sumohana S Channappayya ·

    SEED：在预算有限的情况下，用于解决概念漂移的半监督持续恶意软件检测

    arXiv:2605.24903v1 Announce Type: cross Abstract: Machine learning based malware detectors become obsolete over time due to concept drift in benign and malware applications. Recent methods rely on fully labeled data and use hierarchical contrastive loss (HCL) with active learning…

  3. arXiv cs.AI TIER_1 English(EN) · Ahmed Sabbah, Mohammed Kharma, Radi Jarrar, Samer Zein, David Mohaisen ·

    对抗性漏洞在时间概念漂移下的表现：安卓恶意软件检测的纵向研究

    arXiv:2605.23623v1 Announce Type: cross Abstract: We present a longitudinal, drift-aware evaluation of adversarial robustness across more than a decade of Android applications using static and dynamic feature representations extracted from emulator and real-device executions. The…

  4. arXiv cs.AI TIER_1 English(EN) · David Mohaisen ·

    对抗性漏洞在时间概念漂移下的表现：一项安卓恶意软件检测的纵向研究

    We present a longitudinal, drift-aware evaluation of adversarial robustness across more than a decade of Android applications using static and dynamic feature representations extracted from emulator and real-device executions. The dataset is organized into yearly slices and evalu…

相关实体

相关话题