面向有限数据条件下的基于记忆的恶意软件检测：TabPFN与集成模型的比较评估
密码学与安全
2026-01-13 v1
摘要
人工智能和机器学习已通过自动化威胁检测和行为分析显著推动了恶意软件研究的进展。然而，由于缺乏包含真实世界数据的数据集，数据获取受限。尽管AI在网络安全领域取得了进展，但恶意软件分析仍受数据稀缺的限制，这限制了模型的泛化能力。为应对这一困难，本文研究了TabPFN——一种专为低数据场景设计的无学习模型。我们将其性能与随机森林、LightGBM和XGBoost等 established基线进行比较，涵盖多种类别配置。在我们的实验结果表明，TabPFN在低数据场景下优于所有其他模型，在多个性能指标上实现了2%至6%的提升。然而，这种性能提升在特定情况下会影响其计算时间。这些发现凸显了将TabPFN集成到网络安全工作流程中的潜力与实际局限性。
引用
@article{arxiv.2601.07305,
title = {Memory-Based Malware Detection under Limited Data Conditions: A Comparative Evaluation of TabPFN and Ensemble Models},
author = {Valentin Leroy and Shuvalaxmi Dass and Sharif Ullah},
journal= {arXiv preprint arXiv:2601.07305},
year = {2026}
}
备注
6 pages, 1 figure , 6 Tables