可解释的恶意软件检测：基于定制化逻辑的解释网络

May, 2024

可解释的恶意软件检测：基于定制化逻辑的解释网络

Explainable Malware Detection with Tailored Logic Explained Networks

Peter Anthony, Francesco Giannini, Michelangelo Diligenti, Martin Homola, Marco Gori...

TL;DR使用 Logic Explained Networks (LENs) 方法在复杂领域的恶意软件检测中，提供了解释模型决策的 First-Order Logic (FOL) 规则，并在实验结果中展示了其与传统可解释方法和黑盒模型相媲美的鲁棒性。

Abstract

malware detection is a constant challenge in cybersecurity due to the rapid development of new attack techniques. Traditional signature-based approaches struggle to keep pace with the sheer volume of malware samples. Machine learning offers a promising solution, but faces issues of gen

malware detection machine learning explanations logic explained networks (lens)ember dataset

发现论文，激发创造

将逻辑解释网络扩展到文本分类

该研究提出了一种名为 LENp 的模型，通过扰动输入单词来改进文本分类中的本地解释，其提供的逻辑解释在灵敏度和忠实度方面比 LIME 更好，并且在人员调查中被证明逻辑解释比 LIME 提供的特征评分更有用和用户友好。

Nov, 2022

基于熵的神经网络逻辑解释

该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

Jun, 2021

学习恶意软件行为的可解释表示

本文介绍了一种使用专业检测器和神经网络来识别威胁和恶意软件的方法，并且使用集成梯度方法来突出表现出威胁的特征行为模式，最后通过大规模数据的实验，探索了卷积神经网络、LSTMs 和变形金刚网络的有效性及无监督预训练技术在检测 njRAT 等恶意软件中的应用。

Jun, 2021

通过迭代符号细化增强大型语言模型的伦理解释

本研究探讨如何利用混合神经符号技术来增强大型语言模型在伦理自然语言推理中的逻辑有效性和一致性，通过整合外部的向后求解器，改进逐步自然语言解释的过程，验证解释的正确性，减少不完整性和冗余性，并生成支持模型推理的形式证明，从而提高在多步伦理自然语言推理任务中解释的质量。

Feb, 2024

Android 恶意软件分析解释器的合理性检查

本研究提出了基于三个关键定量指标的规范化指南来评估五种解释方法的质量，得出了大部分恶意行为的知识，并对获得的解释结果进行了桥段检查，得出了结果。

Aug, 2020

机器学习中基于逻辑的可解释性

本文概述了现有关于计算机生成机器学习模型正式解释的研究，旨在与之前基于非正式解释的方案进行比较，并讨论了各种问题，包括基于不同机器学习模型的最佳逻辑编码以及如何使解释具有可解释性。

Oct, 2022

面向可解释的元学习从事 DDoS 检测

本文提出了一种基于人工免疫系统的严格可解释人工智能驱动的入侵检测方法，重点介绍了决策树模型的严格解释计算过程，并给出了正常流量的素质蕴含说明。

Apr, 2022

可解释的多模态逻辑推理误信息检测

提出一种新颖的基于逻辑的神经模型，该模型将可解释的逻辑子句集成到目标任务的推理过程中，以检测多模态误解信息，通过在神经表示中参数化符号逻辑元素来实现学习的有效性，并引入五个元预测以使我们的框架具有多样性。

May, 2023

LioNets: 通过次最终层解码对神经网络进行本地解释

通过考虑神经网络的架构，在局部范围内主动构建实例邻域的过程中，提供用于神经网络决策的解释的方法。

Jun, 2019

黑盒决策系统的本地基于规则的解释

本文提出了一种名为 LORE 的黑匣子探明方法，能够从逻辑和反事实规则两个层面解释黑匣子机器学习模型的决策原因，从而提高其在社会敏感和安全关键环境中的可用性和透明度。

May, 2018