Buchumschlag

FARM: Few-shot Adaptive Malware Family Classification under Concept Drift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guldemir, Numan Halit, Olukoya, Oluwafemi, Martínez-del-Rincón, Jesús
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Addressing malware family concept drift with triplet autoencoder
von: Guldemir, Numan Halit, et al.
Veröffentlicht: (2025)

DRMD: Deep Reinforcement Learning for Malware Detection under Concept Drift
von: McFadden, Shae, et al.
Veröffentlicht: (2025)

Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations
von: Kalný, Tomáš, et al.
Veröffentlicht: (2026)

Cluster Analysis and Concept Drift Detection in Malware
von: Mishra, Aniket, et al.
Veröffentlicht: (2025)

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

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

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

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

ADAPT: A Pseudo-labeling Approach to Combat Concept Drift in Malware Detection
von: Alam, Md Tanvirul, 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)

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

MalMixer: Few-Shot Malware Classification with Retrieval-Augmented Semi-Supervised Learning
von: Li, Jiliang, et al.
Veröffentlicht: (2024)

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

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

Multimodal Techniques for Malware Classification
von: Jiang, Jonathan, et al.
Veröffentlicht: (2025)

Online Clustering of Known and Emerging Malware Families
von: Jurečková, Olha, et al.
Veröffentlicht: (2024)

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

Binary Anomaly Detection in Streaming IoT Traffic under Concept Drift
von: Carnier, Rodrigo Matos, et al.
Veröffentlicht: (2025)

Transcending Transcend: Revisiting Malware Classification in the Presence of Concept Drift
von: Barbero, Federico, et al.
Veröffentlicht: (2020)

RawMal-TF: Raw Malware Dataset Labeled by Type and Family
von: Bálik, David, et al.
Veröffentlicht: (2025)

Thwarting Cybersecurity Attacks with Explainable Concept Drift
von: Shaer, Ibrahim, et al.
Veröffentlicht: (2024)

Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation
von: Košťál, David, et al.
Veröffentlicht: (2026)

A Comparison of Selected Image Transformation Techniques for Malware Classification
von: Agrawal, Rishit, et al.
Veröffentlicht: (2025)

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

Malware Classification Leveraging NLP & Machine Learning for Enhanced Accuracy
von: Gond, Bishwajit Prasad, et al.
Veröffentlicht: (2025)

Image-Based Malware Classification Using QR and Aztec Codes
von: Khadilkar, Atharva, et al.
Veröffentlicht: (2024)

SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget
von: Amalapuram, Suresh Kumar, et al.
Veröffentlicht: (2026)

Concept Drift Detection using Ensemble of Integrally Private Models
von: Varshney, Ayush K., et al.
Veröffentlicht: (2024)

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

Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware
von: Karunanayake, Ishan, et al.
Veröffentlicht: (2024)

Relation-aware based Siamese Denoising Autoencoder for Malware Few-shot Classification
von: Zhu, Jinting, et al.
Veröffentlicht: (2024)

TUANDROMD-X: Advanced Entropy and Visual Analytics Dataset for Enhanced Malware Detection and Classification
von: Borah, Parthajit, et al.
Veröffentlicht: (2026)

Better Call Graphs: A New Dataset of Function Call Graphs for Malware Classification
von: Hossain, Jakir, et al.
Veröffentlicht: (2025)

Adaptive Malware Detection using Sequential Feature Selection: A Dueling Double Deep Q-Network (D3QN) Framework for Intelligent Classification
von: Khan, Naseem, et al.
Veröffentlicht: (2025)

Identifying Predictions That Influence the Future: Detecting Performative Concept Drift in Data Streams
von: Gower-Winter, Brandon, et al.
Veröffentlicht: (2024)

DeepTrust: Multi-Step Classification through Dissimilar Adversarial Representations for Robust Android Malware Detection
von: Pulido-Cortázar, Daniel, et al.
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)

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

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

Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification
von: He, Yiling, et al.
Veröffentlicht: (2024)