人工智能（AI）技术已被广泛应用于恶意软件检测，并显著提升了对网络攻击的防御能力。现有基于深度学习的方法依赖大规模数据进行训练，且通常只能识别预定义类别，因此难以快速应对新型恶意软件攻击。基于小样本学习的恶意软件分类方法在利用有限数据识别未知恶意软件方面取得了一定进展。然而，现有方法通常只关注单一恶意特征，例如单一的恶意软件图像或 API 调用序列，忽视了恶意软件所具有的多维特性，因此难以获得较高

随后，攻击者可以通过在恶意软件样本中嵌入后门触发器，生成能够逃避检测的恶意软件。不同于现有后门攻击中使用固定触发器或生成样本特定触发器的方法，我们探索了一种面向恶意软件领域的新型后门攻击范式，并提出了 MalPDT。在 MalPDT 中，任意一个恶意软件样本与任意一个触发器的组合都可以形成能够激活后门的投毒样本，从而实现“即插即用”的能力。基于深度神经网络（DNN）的检测模型对第三方众包数据源的依

翻译：https://artificial-intelligence.net.cn/2019/06/05/1559711811/?from=singlemessage&isappinstalled=0作者：Yann LeCun, Yoshua Bengio ,Geoffrey Hinton发表及时间：Nature，2015概念：深度学习允许由多个处理层的计算模型来学习具有多个...

翻译：https://artificial-intelligence.net.cn/2019/06/05/1559711811/?from=singlemessage&isappinstalled=0作者：Yann LeCun, Yoshua Bengio ,Geoffrey Hinton发表及时间：Nature，2015概念：深度学习允许由多个处理层的计算模型来学习具有多个...

翻译：https://artificial-intelligence.net.cn/2019/06/05/1559711811/?from=singlemessage&isappinstalled=0作者：Yann LeCun, Yoshua Bengio ,Geoffrey Hinton发表及时间：Nature，2015概念：深度学习允许由多个处理层的计算模型来学习具有多个...