Buchumschlag

DeepTrust: Multi-Step Classification through Dissimilar Adversarial Representations for Robust Android Malware Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pulido-Cortázar, Daniel, Gibert, Daniel, Manyà, Felip
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ByteShield: Adversarially Robust End-to-End Malware Detection through Byte Masking
von: Gibert, Daniel, et al.
Veröffentlicht: (2025)

Adversarial Patterns: Building Robust Android Malware Classifiers
von: Bhusal, Dipkamal, et al.
Veröffentlicht: (2022)

Improving Adversarial Robustness in Android Malware Detection by Reducing the Impact of Spurious Correlations
von: Bostani, Hamid, et al.
Veröffentlicht: (2024)

Trust Under Siege: Label Spoofing Attacks against Machine Learning for Android Malware Detection
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

LLM-Generated Samples for Android Malware Detection
von: Rollinson, Nik, et al.
Veröffentlicht: (2025)

Android Malware Detection Based on RGB Images and Multi-feature Fusion
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2024)

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

Regression-aware Continual Learning for Android Malware Detection
von: Ghiani, Daniele, et al.
Veröffentlicht: (2025)

McNdroid: A Longitudinal Multimodal Benchmark for Robust Drift Detection in Android Malware
von: Kamol, Md Mahmuduzzaman, et al.
Veröffentlicht: (2026)

XAI and Android Malware Models
von: Kulkarni, Maithili, et al.
Veröffentlicht: (2024)

DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode
von: Daoudi, Nadia, et al.
Veröffentlicht: (2021)

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

Unraveling the Key of Machine Learning-based Android Malware Detection
von: Liu, Jiahao, et al.
Veröffentlicht: (2024)

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

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

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

On the Robustness of Malware Detectors to Adversarial Samples
von: Salman, Muhammad, et al.
Veröffentlicht: (2024)

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

Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
von: Bostani, Hamid, et al.
Veröffentlicht: (2022)

Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset
von: Fu, Annan, et al.
Veröffentlicht: (2026)

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

On the Effectiveness of Adversarial Training on Malware Classifiers
von: Bostani, Hamid, et al.
Veröffentlicht: (2024)

Evaluating the Robustness of a Production Malware Detection System to Transferable Adversarial Attacks
von: Nasr, Milad, et al.
Veröffentlicht: (2025)

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

Quantifying the Generalization Gap: A New Benchmark for Out-of-Distribution Graph-Based Android Malware Classification
von: Tran, Ngoc N., et al.
Veröffentlicht: (2025)

R+R: Revisiting Static Feature-Based Android Malware Detection using Machine Learning
von: Alam, Md Tanvirul, et al.
Veröffentlicht: (2024)

A Comparison of Adversarial Learning Techniques for Malware Detection
von: Louthánová, Pavla, et al.
Veröffentlicht: (2023)

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

EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection
von: Bostani, Hamid, et al.
Veröffentlicht: (2021)

Fusing Feature Engineering and Deep Learning: A Case Study for Malware Classification
von: Gibert, Daniel, et al.
Veröffentlicht: (2022)

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

Comparison of Multiple Classifiers for Android Malware Detection with Emphasis on Feature Insights Using CICMalDroid 2020 Dataset
von: Abedin, Md Min-Ha-Zul, et al.
Veröffentlicht: (2026)

Efficient Adversarial Malware Defense via Trust-Based Raw Override and Confidence-Adaptive Bit-Depth Reduction
von: Chaudhary, Ayush, et al.
Veröffentlicht: (2025)

Decoding Android Malware with a Fraction of Features: An Attention-Enhanced MLP-SVM Approach
von: Hakim, Safayat Bin, et al.
Veröffentlicht: (2024)

Adaptive Randomized Smoothing: Certified Adversarial Robustness for Multi-Step Defences
von: Lyu, Saiyue, et al.
Veröffentlicht: (2024)

A Robust Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

Assessing Cyclostationary Malware Detection via Feature Selection and Classification
von: Nkongolo, Mike
Veröffentlicht: (2023)

A Survey of Malware Detection Using Deep Learning
von: Bensaoud, Ahmed, et al.
Veröffentlicht: (2024)

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

Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective
von: Jurečková, Olha, et al.
Veröffentlicht: (2026)