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”来刻画正常（良性）软件的结构。三通道分别编码：Hilbert 曲线映射的字节值、以良性软件为参照的字节转移意外度（byte-transition surprise），以及相对于良性软件的熵偏差。与常见的单一隐向量瓶颈不同，模型把每张图像编码为逐层的风格张量（layer-wise style tensor），并与一个七阶段调制生成器逐层对齐，从而在多个语义层级上约束重建。为缓解编码得到的良性风格与生成器采样流形之间的错位，作者引入高斯风格先验、基于矩的（均值/方差）先验对齐以及隐空间一致性约束。在可解释性方面，模型提供一条确定性编码通路，把每个可执行文件映射到固定风格张量，从而支持可重复的逐层家族距离分析、梯度敏感性分析、主成分分析与类别行为分析——即不仅能给出异常排名，还能解释某一家族在哪些层级、以何种方式偏离良性流形。实验方面，作者使用自建的 PE 语料（含 214 个恶意家族），高斯变体取得 89.76% 的 ROC-AUC 与 88.19% 的平衡准确率，基因组（genome）风格变体分别为 88.03% 与 84.09%。更重要的是，在不重新拟合模型权重、良性参照统计量与判定阈值的前提下，同一组检查点在 DIKE、Microsoft BIG 2015 与 Lester 等公开恶意软件子集上做了跨数据集评估，说明该逐层风格建模既可用于异常排序，也可用于结构化的后验归因分析。适合从事恶意软件检测、异常检测、对抗机器学习与可解释安全模型的研究者与蓝队检测工程师阅读。