Buchumschlag

Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	He, Yiling, Lei, Junchi, Qin, Zhan, Ren, Kui, Chen, Chun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LAMD: Context-driven Android Malware Detection and Classification with LLMs
von: Qian, Xingzhi, et al.
Veröffentlicht: (2025)

Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Empirical Evaluation of Concept Drift in ML-Based Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2025)

Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Counteracting Concept Drift by Learning with Future Malware Predictions
von: Bosansky, Branislav, et al.
Veröffentlicht: (2024)

Optimized Deep Learning Models for Malware Detection under Concept Drift
von: Maillet, William, et al.
Veröffentlicht: (2023)

Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid
von: Chaieb, Meryam, et al.
Veröffentlicht: (2024)

Learning Temporal Invariance in Android Malware Detectors
von: Zheng, Xinran, et al.
Veröffentlicht: (2025)

MADCAT: Combating Malware Detection Under Concept Drift with Test-Time Adaptation
von: Roh, Eunjin, et al.
Veröffentlicht: (2025)

On Benchmarking Code LLMs for Android Malware Analysis
von: He, Yiling, et al.
Veröffentlicht: (2025)

Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling
von: Gond, Bishwajit Prasad, et al.
Veröffentlicht: (2025)

Android Malware Detection: A Machine Leaning Approach
von: Abdulla, Hasan
Veröffentlicht: (2025)

Explanation as a Watermark: Towards Harmless and Multi-bit Model Ownership Verification via Watermarking Feature Attribution
von: Shao, Shuo, et al.
Veröffentlicht: (2024)

Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
von: He, Ping, et al.
Veröffentlicht: (2025)

Understanding Concept Drift with Deprecated Permissions in Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2025)

MalCL: Leveraging GAN-Based Generative Replay to Combat Catastrophic Forgetting in Malware Classification
von: Park, Jimin, et al.
Veröffentlicht: (2025)

Beyond Classification: Evaluating LLMs for Fine-Grained Automatic Malware Behavior Auditing
von: Zheng, Xinran, et al.
Veröffentlicht: (2025)

Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks
von: Stalin, Kawana, et al.
Veröffentlicht: (2024)

MASKDROID: Robust Android Malware Detection with Masked Graph Representations
von: Zheng, Jingnan, et al.
Veröffentlicht: (2024)

Explainer-guided Targeted Adversarial Attacks against Binary Code Similarity Detection Models
von: Chen, Mingjie, et al.
Veröffentlicht: (2025)

Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2024)

Exploring Large Language Models for Semantic Analysis and Categorization of Android Malware
von: Walton, Brandon J, et al.
Veröffentlicht: (2025)

LLM-Driven Feature-Level Adversarial Attacks on Android Malware Detectors
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

DetectBERT: Towards Full App-Level Representation Learning to Detect Android Malware
von: Sun, Tiezhu, et al.
Veröffentlicht: (2024)

Membership Inference Attacks Against Vision-Language Models
von: Hu, Yuke, et al.
Veröffentlicht: (2025)

Adversarial Evasion in Non-Stationary Malware Detection: Minimizing Drift Signals through Similarity-Constrained Perturbations
von: Acharya, Pawan, et al.
Veröffentlicht: (2026)

IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

Esim: EVM Bytecode Similarity Detection Based on Stable-Semantic Graph
von: Chen, Zhuo, et al.
Veröffentlicht: (2025)

ADAPT: A Pseudo-labeling Approach to Combat Concept Drift in Malware Detection
von: Alam, Md Tanvirul, et al.
Veröffentlicht: (2025)

DualBreach: Efficient Dual-Jailbreaking via Target-Driven Initialization and Multi-Target Optimization
von: Huang, Xinzhe, et al.
Veröffentlicht: (2025)

Machine Learning for Windows Malware Detection and Classification: Methods, Challenges and Ongoing Research
von: Gibert, Daniel
Veröffentlicht: (2024)

Assessing the Impact of Packing on Machine Learning-Based Malware Detection and Classification Systems
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

LAMDA: A Longitudinal Android Malware Benchmark for Concept Drift Analysis
von: Haque, Md Ahsanul, et al.
Veröffentlicht: (2025)

Obfuscated Memory Malware Detection
von: P, Sharmila S, et al.
Veröffentlicht: (2024)

Malware families discovery via Open-Set Recognition on Android manifest permissions
von: Leveni, Filippo, et al.
Veröffentlicht: (2025)

On the Reliability and Stability of Selective Methods in Malware Classification Tasks
von: Herzog, Alexander, et al.
Veröffentlicht: (2025)

Malware Detection Through Memory Analysis
von: Nassar, Sarah
Veröffentlicht: (2026)

System Calls for Malware Detection and Classification: Methodologies and Applications
von: Gond, Bishwajit Prasad, et al.
Veröffentlicht: (2025)

Leveraging LSTM and GAN for Modern Malware Detection
von: Gupta, Ishita, et al.
Veröffentlicht: (2024)

Empirical Quantification of Spurious Correlations in Malware Detection
von: Perasso, Bianca, et al.
Veröffentlicht: (2025)