文献

J-GLOBAL ID：202202296618540751   整理番号：22A0963788

Androidマルウェア検出 機械学習モデルの性能に及ぼす不均衡データ集合の影響の研究【JST・京大機械翻訳】

Android malware detection: Investigating the impact of imbalanced data-sets on the performance of machine learning models.

著者 (4件)： Sawadogo Zakaria (Universite ́ Cheikh Anta Diop de Dakar,LITA(Laboratoire d’informatique, de te ́le ́ ecommunications et Applications),Se ́ne ́gal) ,  Mendy Gervais (Universite ́ Gaston Berger,LANI (Laboratoire d’Analyse Nume ́rique et Informatique),Se ́ne ́gal) ,  Dembele Jean Marie (Universite ́ Gaston Berger,LANI (Laboratoire d’Analyse Nume ́rique et Informatique),Se ́ne ́gal) ,  Ouya Samuel (Universite ́ Cheikh Anta Diop de Dakar,LITA(Laboratoire d’informatique, de te ́le ́ ecommunications et Applications),Se ́ne ́gal)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICACT  ページ： 435-441  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 人工知能は,悪意のあるアプリケーション検出と分類に関する研究を含む研究の多くの分野を革命した。今日,既存データから学習する多くのアプローチがあり,新しいデータのクラスを予測する。機械学習原理は訓練データセットにおけるクラスのバランスを推薦するが,分野における現実は全く異なる。悪意のあるアプリケーション検出に使用されるデータセットの大部分は不均衡である。クラス不均衡は分類器性能を低下させるので,それは分類タスクにおける一般的問題である。この観察は,Androidマルウェア検出と分類の領域ではるかに重要である。Androidマルウェア検出の分野における不均衡データセットの効果に関する我々の知識に対する研究はほとんどない。著者らの貢献は,異なるアルゴリズムの性能に対する不均衡データセットの影響,およびAndroidマルウェア検出における評価メトリックの使用の適合性に焦点を当てた。悪意のあるアプリケーション検出に対して,いくつかの分類アルゴリズムが不均衡データセットに適していないことを示した。また,文献性能評価メトリックス(Accurcy,精度,Recall)において最も使用されたいくつかのものは,不均衡データセットにあまり適合していないことを証明した。一方,計量(Balanced_精度,幾何平均)はより適応した。これらの結果を,11の分類アルゴリズムの性能と,異なる評価尺度(Accurcy,Recall,精度,F1_score,バランス精度,Matthews corrcoef,幾何平均,Fowlkes_mals)の妥当性の評価により得た。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  適応性 ,  人工知能 ,  応用プログラム ,  性能評価 ,  *機械学習
準シソーラス用語： 不均衡 ,  訓練データ ,  分類アルゴリズム ,  メトリックス ,  評価尺度 ,  ホップ数 ,  *アンドロイド ,  *不均衡データ ,  不均衡データセット , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： Android ,  マルウェア検出 ,  機械学習 ,  モデル ,  不均衡データ ,  集合 ,  研究