LATIDIA · Ciberseguridad

Calibración consciente de la estructura de pruebas de estrés de redes neuronales de gráficos de malware bajo cambio de tipo

arXiv: 2609.28517v1Tipo de anuncio: nuevo Resumen: Los calibradores de malware post-hoc pueden condicionar la confianza en la estructura del gráfico, pero sus entradas estructurales pueden dejar el soporte representado por los datos de validación bajo el tipo de malware

La noticia

arXiv:2609.28517v1 Announce Type: new Abstract: Post-hoc malware calibrators can condition confidence on graph structure, but their structural inputs may leave the support represented by validation data under malware-type shift. We study this risk on MalNet-Tiny by holding out each of four malware types across three seeds, freezing a graph isomorphism network, and fitting post-hoc mappings only on known-type data. Adding eight community covariates to a generic-topology calibrator increases mean negative log likelihood (NLL) by 0.1369; a type-cluster bootstrap gives a 95% interval of [-0.0125, 0.2864]. A capacity-matched control adds eight label-independent nuisance variables over 20 deterministic repeats and increases NLL by only 0.0415, indicating that input count explains part but