| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-07-22 10:35 良性と新旧マルウェアの特性に応じた機構割当による継続学習マルウェア分類 ○鷲家 翔・木村共孝・程 俊（同志社大）  CQ2026-30 |
|
| 抄録 | （和） | マルウェア検知では，新種や亜種が継続的に出現するため，運用中に得られるデータで検知モデルを更新する継続学習が重要である．しかし実運用では，良性ソフトウェアの誤検知率を抑制しつつ，既知マルウェアファミリの検知性能を保持し，さらに少量サンプルで新種マルウェアへ適応する必要がある．EWC，Replay，La-MAML はそれぞれ過去の識別に重要なモデルパラメタの変化抑制，サンプル再生，少量適応に有効であるが，単独または一様に適用すると良性誤検知率（FPR），既知マルウェア検知率（KR），新種マルウェア検知率（NR）を同時に維持することは難しい．本稿では，良性，既知マルウェア，新種マルウェアのそれぞれの特性に応じて異なる継続学習機構を割り当てる，クラス別機構割当モデルを提案する．提案手法では，良性クラスを良性Fisher に基づくEWC で保護し，既知マルウェアをReservoir Replay で保持し，新種マルウェアをLa-MAML により少量サンプルから適応させる．BODMAS データセットを用いた13 フェーズ継続学習実験により，提案手法が+MalReplay と同程度のFPR・KR を維持しながら，NR を改善することを示す． |
| （英） | Continual learning is important for malware detection because novel variants and families appear over time. In practical operation, a detector must suppress false positives on benign software, retain known malware families, and adapt to novel malware from only a small number of samples. EWC, Replay, and La-MAML provide constraints on changes in important model parameters, sample replay, and few-shot adaptation, respectively, but applying them alone or uniformly makes it difficult to maintain the benign false positive rate (FPR), known-malware recall (KR), and new-malware recall (NR) simultaneously. This paper proposes a class-wise mechanism assignment model for continual malware classification that assigns a different continual learning mechanism to each of benign, known, and novel malware according to its characteristics. The proposed method protects benign software using EWC based on benign Fisher information, maintains known malware using Reservoir Replay, and adapts to novel malware using La-MAML. Experiments on the BODMAS dataset in a 13-phase continual learning setting show that the proposed method improves NR while maintaining FPR and KR comparable to +MalReplay. | |
| キーワード | （和） | 継続学習 / マルウェア検知 / クラス別機構割当 / 破滅的忘却 / リプレイ / La-MAML / メタ学習 / |
| （英） | Continual Learning / Malware Detection / Class-Wise Mechanism Assignment / Catastrophic Forgetting / Replay / La-MAML / Meta-Learning / | |
| 文献情報 | 信学技報, vol. 126, no. 121, CQ2026-30, pp. 95-100, 2026年7月. | |
| 資料番号 | CQ2026-30 | |
| 発行日 | 2026-07-14 (CQ) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | CQ2026-30 |
|
| 研究会情報 | |
| 研究会 | CQ |
| 開催期間 | 2026-07-21 - 2026-07-23 |
| 開催地（和） | イーフ情報プラザ |
| 開催地（英） | Eef Jouhou Plaza |
| テーマ（和） | ネットワーク性能、仮想空間/メタバース、グラフ解析、ゲーム理論、機械学習、インタラクション、ソーシャルメディア、一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | CQ |
| 会議コード | 2026-07-CQ |
| 本文の言語 | 日本語 |
| タイトル（和） | 良性と新旧マルウェアの特性に応じた機構割当による継続学習マルウェア分類 |
| サブタイトル（和） | |
| タイトル（英） | Continual Malware Classification by Characteristic-Aware Mechanism Assignment for Benign, Known, and Novel Malware |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 継続学習 / Continual Learning |
| キーワード(2)（和/英） | マルウェア検知 / Malware Detection |
| キーワード(3)（和/英） | クラス別機構割当 / Class-Wise Mechanism Assignment |
| キーワード(4)（和/英） | 破滅的忘却 / Catastrophic Forgetting |
| キーワード(5)（和/英） | リプレイ / Replay |
| キーワード(6)（和/英） | La-MAML / La-MAML |
| キーワード(7)（和/英） | メタ学習 / Meta-Learning |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 鷲家 翔 / Sho Washika / ワシカ ショウ |
| 第1著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 木村 共孝 / Tomotaka Kimura / キムラ トモタカ |
| 第2著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 程 俊 / Jun Cheng / テイ シュン |
| 第3著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-07-22 10:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | CQ |
| 資料番号 | CQ2026-30 |
| 巻番号（vol） | vol.126 |
| 号番号（no） | no.121 |
| ページ範囲 | pp.95-100 |
| ページ数 | 6 |
| 発行日 | 2026-07-14 (CQ) |
[研究会発表申込システムのトップページに戻る]