Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection

恶意软件检测是一个有趣且有价值的领域，因为它具有重要的现实影响和独特的机器学习挑战。我们调查了现有的长程技术和基准，并发现它们在这个问题领域并不是很适用。在本文中，我们介绍了全息全局卷积网络（HGConv），它利用全息降维表示（HRR）的特性来对序列元素的特征进行编码和解码。与其他全局卷积方法不同，我们的方法不需要任何复杂的核计算或精心设计的核。HGConv核被定义为通过反向传播学习的简单参数。所提出的方法在Microsoft恶意软件分类挑战赛、Drebin和EMBER恶意软件基准测试中取得了最新的SOTA结果。在序列长度的对数线性复杂度下，实证结果表明，与其他方法相比，HGConv具有显着更快的运行时间，即使在序列长度大于等于100,000的情况下，也实现了更高效的缩放。

该论文旨在解决恶意软件检测的问题，提出了一种基于全局卷积神经网络的新方法，使用全息约化表示编码和解码序列元素的特征。

该论文提出了一种名为Holographic Global Convolutional Networks（HGConv）的新方法，使用全息约化表示来编码和解码序列元素的特征，从而实现恶意软件检测。与其他全局卷积方法不同，该方法不需要任何复杂的核计算或设计，HGConv核是通过反向传播学习的简单参数。

该论文在Microsoft Malware Classification Challenge、Drebin和EMBER恶意软件基准测试中取得了新的SOTA结果。实验结果表明，与其他方法相比，HGConv方法在序列长度为100,000及以上时具有更高的效率和更快的运行速度。

在恶意软件检测领域，还有一些相关的研究，如基于深度学习的恶意软件检测方法、基于静态分析的恶意软件检测方法等。