EMBER 数据集为反恶意 Windows 便携式可执行文件静态检测训练机器学习模型提供标记的基准数据集，包括从 110 万个二进制文件中提取的特征：900K 个训练样本（300K 个恶意样本，300K 个良性样本，300K 个未标记样本）和 200K 个测试样本（100K 个恶意样本，100K 个良性样本），并提供相关的数据处理代码和基线模型 MalConv 性能比较结果。

Apr, 2018

本研究的主要目标是利用自然语言注释自动生成用于软件漏洞利用的负载代码，我们收集了一个挑战性的数据集并尝试使用神经机器翻译方法建立基准性能水平。

Apr, 2021

本文研究了利用大型预先训练的源代码模型来对反编译二进制文件的函数进行自动摘要，建立了一个包含多种编译器优化的数据集 CAPYBARA，进一步生成了合成数据集来优化模型性能，并创造了 BinT5 模型，成功地用于反汇编二进制代码中。

Jan, 2023

利用对二进制代码进行对比学习，提高其在迁移学习中的性能，通过对齐二进制代码和自然语言解释来生成更好的嵌入表示，而无需特定任务的训练。

Feb, 2024

该研究展示了如何将自然语言处理的思想和技术应用于大规模的二进制代码分析，提出了两个重要的代码相似性比较问题，并通过内部实验验证了所提出的方法的优越性。

Aug, 2018

使用大规模预训练的自然语言模型，通过迁移学习，将人类的常见知识融入到现有的基于学习的汇编克隆搜索方法中，以应对未知架构和库的汇编克隆搜索问题。通过引入强化学习代理，并结合新的变分信息瓶颈学习策略，该方法能够减少对架构和优化设置的潜在指标的依赖，从而更好地处理未知架构的情况。实验结果表明，该方法对抗最先进的解决方案的有效性。

Jul, 2023

一篇关于图像引导物体组装的研究论文介绍了一项新任务：将结构 3D 模型的多视角图像（例如，从 3D 对象库中选择的积木构建而成的模型）翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型，通过学习图形对象图来识别图像中的组件，并通过边指定 3D 模型的拓扑结构，从而得出组装计划，并进行了全面的实证评估，证明了神经组装者的优越性。

Apr, 2024

在这项工作中，我们开始探讨使用深度神经网络对二进制代码理解进行训练的可能性。具体而言，网络将以直接从二进制中派生的特征作为输入，并输出英文功能描述，以帮助逆向工程师调查闭源软件的功能，无论是恶意的还是良性的。我们发现嵌入距离相关性（EDC）测试对于评估数据集值非常有诊断能力，表明我们收集的数据集和一些现有的开源数据集质量较低。

Apr, 2024

JABBERWOCK 是一个工具，它可以将 JavaScript 代码自动转换为 WebAssembly，并将其输出为恶意网站检测的样本，通过实验评估，它可以在 4.5 秒内生成一个数据集，并提供 99％的 F1 分数。

Jun, 2023

本文介绍了一个大规模的 SOREL-20M 数据集，其中包含了近 2000 多万个恶意软件样本，提供了丰富的元数据信息和标签，以及 Python 代码和基于神经网络和决策树的模型来进行特征提取和检测。

Dec, 2020