SAGEGAN: Style-Based Anomaly Detection with Gaussian Embeddings using Generative Adversarial Networks
该论文提出 SAGEGAN，一个仅用良性样本训练的恶意软件异常检测框架，目标是绕开传统基于规则与特征签名的检测流水线在恶意软件快速演化时失效的问题。其核心思路是：把可移植可执行文件（PE）转换为紧凑的三通道图像表示，再通过“风格条件对抗重建
#explainable-ml
共收录 3 条相关情报。
← 返回所有主题Explanation-Guided Backdoor Poisoning Attacks Against Malware Classifiers.
本文研究了基于机器学习的恶意软件分类器在后门投毒攻击下的脆弱性。恶意软件分类器的训练流程常依赖众包威胁情报源，这为攻击者提供了天然的攻击注入点。作者聚焦于“干净标签”攻击场景，即攻击者无法控制样本标签，仅能污染训练数据中的特征。他们提出利用
Who Audits the Auditor? Tamper-Proof Fraud Detection with Blockchain-Anchored Explainable ML
提出一种基于区块链锚定可解释机器学习的防篡改欺诈检测系统，解决审计痕迹被内部人员篡改的信任问题。