使用 Wasserstein 生成对抗网络通过数据增强改进 Android 恶意软件检测

Mar, 2024

使用 Wasserstein 生成对抗网络通过数据增强改进 Android 恶意软件检测

Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks

Kawana Stalin, Mikias Berhanu Mekoya

TL;DR基于生成对抗网络 (GANs) 的数据增广和 Android 恶意软件检测，本研究通过利用 GAN 生成的数据来训练一个检测 Android 恶意软件的模型，并通过创建图像表示从现有数据集提取的特征，利用 GAN 生成逼真的灰度图像数据集，用于训练卷积神经网络 (CNN) 以识别先前未见的 Android 恶意软件应用程序，取得了 1.5% 到 7% 不等的分类模型性能显著提升，F1 得分达到了 97.5%。

Abstract

generative adversarial networks (GANs) have demonstrated their versatility across various applications, including data augmentation and malware detection. This research explores the effectiveness of utilizing GAN

generative adversarial networks android malware data augmentation wasserstein generative adversarial network convolutional neural network

发现论文，激发创造

生成对抗网络用于数据增强

使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

Jun, 2023

GAN 增强：使用生成对抗网络进行训练数据增强

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

基于生成对抗网络的灵活 Android 恶意软件检测模型

提出一种基于生成对抗网络的灵活的 Android 恶意软件检测模型 (MTFD-GANs)，该模型可以检测到新的恶意代码，针对不同大小的恶意特征可以进行改进，实验表明该模型可以超越传统恶意软件检测模型并提高检测效率和鲁棒性。

Oct, 2022

基于 GAN 的黑盒攻击生成对抗恶意软件实例

本论文提出一种名为 MalGAN 的生成对抗网络 (GAN) 算法来生成对手样本，以绕过基于黑盒机器学习的检测模型，相对于传统的基于梯度的对手样本生成算法，MalGAN 能够将检测率降至几乎为零，并使基于重新训练的防御方法难以奏效。

Feb, 2017

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

农业图像增强的生成式对抗网络：一篇系统综述

该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

Apr, 2022

利用生成对抗网络进行数据增强

本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.

Apr, 2019

利用生成对抗网络增强角色设计师的创造力

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

使用生成对抗网络进行医学图像合成的数据增强和匿名化

本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

Jul, 2018