AAAIDec, 2020

应用常数内存分类极长序列，用于恶意软件检测

PDF
TL;DR本文介绍了一种新的时间最大池化方法及全局通道门控设计，在提高传统 CNN 运行速度的同时，在能有效处理 100m + 长度的输入的情况下，还能够提高 MalConv 的性能。
machine learningcybersecuritywindows executable malware detectiontemporal max poolingglobal channel gating
发现论文，激发创造
  • 通过完整执行整个 EXE 文件进行恶意软件检测

    本文介绍了从原始字节序列进行恶意软件检测作为更大机器学习社区的一个有意义的研究领域。我们发现，从原始字节中进行检测是一个包含超过两百万时间步骤的序列问题，并且批处理规范化似乎阻碍了学习过程。我们提出了一个具有线性复杂度依赖于序列长度的解决方案，并允许识别可解释的二进制子区域。本文讨论了在处理这样规模数据的神经网络中遇到的许多挑战以及我们用于解决这些挑战的方法。

    Oct, 2017

  • 基于 Opcodes 和 API 调用的恶意软件分类的 CNN-LSTM 和迁移学习模型

    通过使用基于 API 调用和操作码的新型模型，将恶意软件进行分类，将其特征转化为 N-grams 序列，并使用各种深度学习架构进行实验，最终取得了 99.91% 的高准确率。

    May, 2024

  • 全息全球卷积网络用于恶意软件检测中的长距离预测任务

    我们提出了一种新的全局卷积网络方法，利用全息降维表示（HRR）来编码和解码序列元素的特征，并且在微软恶意软件分类挑战、Drebin 和 EMBER 恶意软件基准测试中取得了最新的研究成果，时间复杂度高效。

    Mar, 2024

  • 卷积序列到序列学习

    利用卷积神经网络架构完全替代了循环神经网络的流行序列到序列学习方法，运用门控线性单元简化了梯度传播，为每个解码器层装备了单独的注意力模块，在 GPU 和 CPU 上取得了比 Wu 等人（2016）更高的准确性和十倍以上的速度。

    May, 2017

  • 使用卷积长短期记忆学习检测暴力视频

    本文提出了一个基于深度学习神经网络的方法来自动识别监控视频中的暴力行为，具有很高的识别精度。该方法采用卷积神经网络和长短时记忆网络，能够捕捉到视频中局部的时空特征，实现对局部运动的分析，并通过对相邻帧的差异计算来增强所提出方法的识别功能。实验证明，该方法表现优于现有的同类方法，具有广泛的研究价值。

    Sep, 2017

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • 使用深度最大池化卷积神经网络进行快速图像扫描

    利用动态规划算法，即使存在最大池化层，也能将深度神经网络在滑动窗口扫描图像时的计算复杂度提高数倍。

    Feb, 2013

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016

  • 利用深度神经网络进行大规模 YouTube-8M 视频理解

    本文基于 YouTube-8M 大规模数据集，提出了三种视频分类模型，分别基于帧池化和 LSTM 网络，第三个模型使用 Experts 混合中间层以增加模型容量，并进行了一系列处理不平衡训练数据的实验。

    Jun, 2017

  • 短期记忆卷积

    本文提出了一种名为 Short-Term Memory Convolution（STMC）的卷积神经网络方法，用于音频领域中的实时处理，该方法能够以低延迟比 LSTM 网络更稳定快速地进行训练和推理，实现了语音分离和声场分类的更快速度和更高的准确性。

    Feb, 2023