本研究提出了一种名为MORPH的基于伪标签的概念漂移自适应方法，旨在改善恶意软件检测。通过对Android和Windows恶意软件数据集的实验，验证了该方法在减轻概念漂移影响方面的有效性，并结合主动学习减少了注释工作。此外，研究提出的DRBC损失函数显著提高了检测准确性，检测到的恶意软件比基线模型多15.2%。

多模式 LLMs 的新方法利用形态标记解决了视觉理解和生成之间的冲突，并在多模式理解和生成中取得了 SOTA 结果。

本文综述概念漂移对机器学习模型的影响及应对方法，提出模型无关协议、DRBC损失函数和特征约简策略，在EMBER及2020至2023年恶意文件上评估，检测率较基线提高15.2%。同时涉及主动学习、对比学习、自编码器遗忘、模型重用、AutoML适应策略及无监督增量漂移检测，并总结漂移检测、理解与适应框架及常用数据集。

It may be Crypto Winter but it sure feels like Blockchain Technology Spring. Innovative blockchain projects are transmuting financial services systems into Web3.  These projects leverage the...