会员服务

EMBER: An Open Dataset for Training Static PE Malware Machine Learning Models

2018 年 4 月 16 日 Arxiv Hyrum S. Anderson,Phil Roth
登录查看更多
1

相关内容

机器学习（Machine Learning）是一个研究计算学习方法的国际论坛。该杂志发表文章，报告广泛的学习方法应用于各种学习问题的实质性结果。该杂志的特色论文描述研究的问题和方法，应用研究和研究方法的问题。有关学习问题或方法的论文通过实证研究、理论分析或与心理现象的比较提供了坚实的支持。应用论文展示了如何应用学习方法来解决重要的应用问题。研究方法论文改进了机器学习的研究方法。所有的论文都以其他研究人员可以验证或复制的方式描述了支持证据。论文还详细说明了学习的组成部分，并讨论了关于知识表示和性能任务的假设。 官网地址：http://dblp.uni-trier.de/db/journals/ml/
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
115+阅读 · 2020年4月5日
【新书】Python机器学习实战，545页pdf，Practical Machine Learning with Python
【新书】Python机器学习实战，545页pdf，Practical Machine Learning with Python
专知会员服务
308+阅读 · 2020年2月26日
【新书：机器学习简介】《A Concise Introduction to Machine Learning》by A.C. Faul (CRC 2019)
【新书：机器学习简介】《A Concise Introduction to Machine Learning》by A.C. Faul (CRC 2019)
专知会员服务
77+阅读 · 2020年2月8日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
31+阅读 · 2019年10月30日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
49+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
160+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
181+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Python机器学习教程资料/代码
Python机器学习教程资料/代码
机器学习研究会
8+阅读 · 2018年2月22日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
6+阅读 · 2017年8月23日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Andrew NG的新书《Machine Learning Yearning》
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
11+阅读 · 2016年12月7日
Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks
Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks
Arxiv
13+阅读 · 2020年4月13日
A Survey on Distributed Machine Learning
Arxiv
45+阅读 · 2019年12月20日
Learning by Abstraction: The Neural State Machine
Learning by Abstraction: The Neural State Machine
Arxiv
6+阅读 · 2019年7月11日
Interpretable machine learning: definitions, methods, and applications
Interpretable machine learning: definitions, methods, and applications
Arxiv
19+阅读 · 2019年1月14日
Reward learning from human preferences and demonstrations in Atari
Arxiv
8+阅读 · 2018年11月15日
Scaling Neural Machine Translation
Arxiv
3+阅读 · 2018年6月1日
Deceiving End-to-End Deep Learning Malware Detectors using Adversarial Examples
Arxiv
4+阅读 · 2018年5月13日
Generate To Adapt: Aligning Domains using Generative Adversarial Networks
Arxiv
4+阅读 · 2018年4月1日
TBD: Benchmarking and Analyzing Deep Neural Network Training
Arxiv
3+阅读 · 2018年3月16日
Learning to Evade Static PE Machine Learning Malware Models via Reinforcement Learning
Arxiv
3+阅读 · 2018年1月30日
VIP会员
相关主题
Machine Learning
数据集
MoDELS
学成
binary
CASES
相关VIP内容
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
115+阅读 · 2020年4月5日
【新书】Python机器学习实战，545页pdf，Practical Machine Learning with Python
【新书】Python机器学习实战，545页pdf，Practical Machine Learning with Python
专知会员服务
308+阅读 · 2020年2月26日
【新书：机器学习简介】《A Concise Introduction to Machine Learning》by A.C. Faul (CRC 2019)
【新书：机器学习简介】《A Concise Introduction to Machine Learning》by A.C. Faul (CRC 2019)
专知会员服务
77+阅读 · 2020年2月8日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
31+阅读 · 2019年10月30日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
49+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
59+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
160+阅读 · 2019年10月12日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
181+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
105+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Python机器学习教程资料/代码
Python机器学习教程资料/代码
机器学习研究会
8+阅读 · 2018年2月22日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
6+阅读 · 2017年8月23日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Andrew NG的新书《Machine Learning Yearning》
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
11+阅读 · 2016年12月7日
相关论文
Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks
Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks
Arxiv
13+阅读 · 2020年4月13日
A Survey on Distributed Machine Learning
Arxiv
45+阅读 · 2019年12月20日
Learning by Abstraction: The Neural State Machine
Learning by Abstraction: The Neural State Machine
Arxiv
6+阅读 · 2019年7月11日
Interpretable machine learning: definitions, methods, and applications
Interpretable machine learning: definitions, methods, and applications
Arxiv
19+阅读 · 2019年1月14日
Reward learning from human preferences and demonstrations in Atari
Arxiv
8+阅读 · 2018年11月15日
Scaling Neural Machine Translation
Arxiv
3+阅读 · 2018年6月1日
Deceiving End-to-End Deep Learning Malware Detectors using Adversarial Examples
Arxiv
4+阅读 · 2018年5月13日
Generate To Adapt: Aligning Domains using Generative Adversarial Networks
Arxiv
4+阅读 · 2018年4月1日
TBD: Benchmarking and Analyzing Deep Neural Network Training
Arxiv
3+阅读 · 2018年3月16日
Learning to Evade Static PE Machine Learning Malware Models via Reinforcement Learning
Arxiv
3+阅读 · 2018年1月30日
大家都在搜
  1. 用户画像
  2. SoSITE
  3. 大型语言模型
  4. 斯坦福博士论文
  5. 无人机系统
  6. t-sne
  7. MMMia
  8. 久别重逢话双塔
  9. 银行
  10. 论文浅尝 - ICLR2020 | 通过神经逻辑归纳学习有效地解释
    11.
Top
微信扫码咨询专知VIP会员
Top