该论文研究的是 Android 恶意软件家族分类模型在真实训练数据条件下的鲁棒性问题。作者指出现有机器学习方法虽在基准数据集上准确率很高，但落地时面临两大障碍：其一，Android 生态中广泛使用的代码混淆会严重干扰自动化标注流程，导致训练集中混入大量噪声标签；其二，家族样本分布天然高度不均衡，头部家族样本充裕而尾部家族样本稀少，使模型在长尾家族上表现很差。已有工作通常只单独处理标签噪声或类别不均衡，忽视了二者的耦合效应——在类别不均衡条件下，少数类中难以学习的样本会显著削弱现有噪声标签纠错机制的效果。为此，论文提出鲁棒分类框架 RoMaC，核心设计包括：采用自训练（self-training）策略对噪声标签进行纠正；在此基础上区分对待头部家族与尾部家族样本，从而抑制类别不均衡对噪声鲁棒学习的负面影响；并进一步将类别重加权机制与多模型集成学习结合，同时提升分类精度与抗噪能力。实验在两个公开数据集合并构建的数据集上进行，当 30% 样本被混淆时，RoMaC 取得整体 Macro-F1 0.803、准确率 0.871，尾部类 Macro-F1 0.672、准确率 0.784；在不同混淆场景与噪声水平下，相较已有方法提升 6% 至 20%。论文面向的研究问题、方法与评测口径，适合恶意软件检测、威胁情报建模及安全机器学习方向的研究者与工程团队阅读。