Buchumschlag

Label-efficient Training Updates for Malware Detection over Time

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Minnei, Luca, Manca, Cristian, Piras, Giorgio, Sotgiu, Angelo, Pintor, Maura, Ghiani, Daniele, Maiorca, Davide, Giacinto, Giorgio, Biggio, Battista
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
von: Piras, Giorgio, et al.
Veröffentlicht: (2024)

An Explainable Memory Forensics Approach for Malware Analysis
von: Sanna, Silvia Lucia, et al.
Veröffentlicht: (2026)

Can you See me? On the Visibility of NOPs against Android Malware Detectors
von: Soi, Diego, et al.
Veröffentlicht: (2023)

Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
von: Angioni, Daniele, et al.
Veröffentlicht: (2024)

An Assessment of the Overlooked Dangers of Template Engines
von: Pisu, Lorenzo, et al.
Veröffentlicht: (2024)

ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
von: Pintor, Maura, et al.
Veröffentlicht: (2022)

Are Trees Really Green? A Detection Approach of IoT Malware Attacks
von: Sanna, Silvia Lucia, et al.
Veröffentlicht: (2025)

An Analysis of Modern Web Security Vulnerabilities Inside WebAssembly Applications
von: Corrias, Lorenzo, et al.
Veröffentlicht: (2026)

secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python
von: Demetrio, Luca, et al.
Veröffentlicht: (2021)

A Risk Estimation Study of Native Code Vulnerabilities in Android Applications
von: Sanna, Silvia Lucia, et al.
Veröffentlicht: (2024)

Improving Cybercrime Detection and Digital Forensics Investigations with Artificial Intelligence
von: Sanna, Silvia Lucia, et al.
Veröffentlicht: (2025)

Prototype-Guided Robust Learning against Backdoor Attacks
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Obfuscating Code Vulnerabilities against Static Analysis in JavaScript Code
von: Pagano, Francesco, et al.
Veröffentlicht: (2026)

Nebula: Self-Attention for Dynamic Malware Analysis
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2023)

BlackCATT: Black-box Collusion Aware Traitor Tracing in Federated Learning
von: Rodríguez-Lois, Elena, et al.
Veröffentlicht: (2026)

AndroWasm: an Empirical Study on Android Malware Obfuscation through WebAssembly
von: Soi, Diego, et al.
Veröffentlicht: (2026)

Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection
von: Ponte, Andrea, et al.
Veröffentlicht: (2025)

SLIFER: Investigating Performance and Robustness of Malware Detection Pipelines
von: Ponte, Andrea, et al.
Veröffentlicht: (2024)

ModSec-AdvLearn: Countering Adversarial SQL Injections with Robust Machine Learning
von: Floris, Giuseppe, et al.
Veröffentlicht: (2023)

Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

SAGE-5GC: Security-Aware Guidelines for Evaluating Anomaly Detection in the 5G Core Network
von: Manca, Cristian, et al.
Veröffentlicht: (2026)

Evaluating the Evaluators: Trust in Adversarial Robustness Tests
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2025)

$σ$-zero: Gradient-based Optimization of $\ell_0$-norm Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Robust Synthetic Data-Driven Detection of Living-Off-the-Land Reverse Shells
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2024)

AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Updating Windows Malware Detectors: Balancing Robustness and Regression against Adversarial EXEmples
von: Kozak, Matous, et al.
Veröffentlicht: (2024)

HO-FMN: Hyperparameter Optimization for Fast Minimum-Norm Attacks
von: Mura, Raffaele, et al.
Veröffentlicht: (2024)

Statistical Effort Modelling of Game Resource Localisation Attacks
von: Sanna, Alessandro, et al.
Veröffentlicht: (2026)

Honeypot-powered Malware Reverse Engineering
von: Bombardieri, Michele, et al.
Veröffentlicht: (2015)

ClarAVy: A Tool for Scalable and Accurate Malware Family Labeling
von: Joyce, Robert J., et al.
Veröffentlicht: (2025)

LFreeDA: Label-Free Drift Adaptation for Windows Malware Detection
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2025)

LatentBreak: Jailbreaking Large Language Models through Latent Space Feedback
von: Mura, Raffaele, et al.
Veröffentlicht: (2025)

S2AP: Score-space Sharpness Minimization for Adversarial Pruning
von: Piras, Giorgio, et al.
Veröffentlicht: (2025)

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

Latent-space Attacks for Refusal Evasion in Language Models
von: Piras, Giorgio, et al.
Veröffentlicht: (2026)

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

The Impact of Train-Test Leakage on Machine Learning-based Android Malware Detection
von: Liu, Guojun, et al.
Veröffentlicht: (2024)