🤖 machine learning

CAM-Guided Saliency Cutout and Image-Based Malware Classification

Este artículo investiga la eficacia del recorte de saliencia guiado por CAM para la clasificación de imágenes de malware utilizando el conjunto de datos RawMal-TF, encontrando que, a diferencia de las imágenes naturales donde el recorte de baja saliencia mejora el rendimiento, las estrategias de recorte guiadas por saliencia en realidad degradan la precisión para el malware, lo que resalta diferencias de dominio significativas entre ambos tipos de imágenes.

Autores originales: Yasaman Ebrahimi, Martin Jurecek, Mark Stamp

Publicado 2026-08-13

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yasaman Ebrahimi, Martin Jurecek, Mark Stamp

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a reconocer diferentes tipos de coches mostrándole miles de fotos. Si le muestras la misma imagen exacta cada vez, el robot podría simplemente memorizar el fondo o un tapacubos brillante en particular en lugar de aprender qué es lo que hace que un coche sea un coche. Para evitar esta "memorización", los científicos utilizan un truco llamado dropout. Es como decirle al robot: "Está bien, ahora voy a ocultar una parte de esta imagen con un cuadrado negro. ¿Puedes seguir adivinando qué es?". Esto obliga al robot a mirar la imagen completa y a aprender patrones más profundos, no solo un lugar con suerte. Esto es el corazón de Cutout, una técnica utilizada para hacer que los modelos de visión computacional sean más inteligentes y menos propensos a fallar cuando ven algo nuevo.

Pero aquí está la gran pregunta: ¿Dónde deberíamos poner ese cuadrado negro? ¿Deberíamos lanzarlo en cualquier lugar al azar, o deberíamos ser inteligentes al respecto? Algunos investigadores pensaron: "Busquemos la imagen y encontremos las partes más importantes (la 'saliencia'), luego ocultemos las partes aburridas para que el robot se concentre en las partes emocionantes". Este artículo profundiza en esa idea, pero con un giro: en lugar de mirar fotos de gatos o coches, están mirando malware. El malware es el equivalente digital de un virus; es un programa informático malicioso. Los científicos han descubierto una forma de convertir el código invisible de estos virus en imágenes en escala de grises, que se parecen un poco a la estática de un televisor antiguo. El objetivo es ver si el truco del "ocultamiento inteligente" funciona en estas imágenes de virus de la misma manera que funciona en las fotos del mundo natural.

El Experimento: Ocultando lo Correcto (o lo Incorrecto)

Los investigadores prepararon un enorme patio de juegos digital para probar esto. Utilizaron un cerebro de robot estándar (una red neuronal llamada ResNet18) y le dieron dos conjuntos muy diferentes de tareas. El primer conjunto fue RawMal-TF, una colección de 17,000 imágenes en escala de grises de virus informáticos, con 1,000 ejemplos para cada una de las 17 familias de virus. El segundo conjunto fue CIFAR-100, una famosa colección de 100,000 fotos de cosas cotidianas como manzanas, camiones y ranas, utilizada como grupo de control para ver cómo se comporta el truco en imágenes normales.

Probaron cuatro formas diferentes de entrenar al robot:

Sin Cutout: El robot ve las imágenes exactamente como son.
Cutout Aleatorio: El robot ve la imagen original más copias donde un cuadrado aleatorio ha sido ennegrecido.
Cutout de Baja Saliencia: El robot ve copias donde el cuadrado negro se coloca sobre las partes "aburridas" e poco importantes de la imagen (según un modelo de profesor inteligente).
Cutout de Alta Saliencia: El robot ve copias donde el cuadrado negro se coloca sobre las partes "emocionantes" y más importantes de la imagen.

Probaron diferentes tamaños para estos cuadrados negros (cubriendo el 5%, 10%, 20% o 30% de la imagen) y diferentes números de copias adicionales (4 u 8 por cada imagen original).

Los Resultados: Una Historia de Dos Mundos

Los hallazgos fueron una mezcla fascinante de "¡funciona!" y "espera, no funciona".

En las Imágenes Naturales (CIFAR-100):
¡La estrategia de "ocultamiento inteligente" realmente funcionó! Cuando los investigadores utilizaron Cutout de Baja Saliencia (ocultando las partes aburridas), el robot mejoró en su trabajo. Específicamente, cuando ocultaron el 10% de la imagen en los lugares menos importantes, la precisión del robot saltó al 63.51%, superando la puntuación estándar de "sin ocultar" de 62.65%. Parece que para las fotos de objetos del mundo real, decirle al robot que ignore el fondo y se concentre en el sujeto principal es una excelente manera de aprender. Sin embargo, si intentaban ocultar las partes más importantes (Alta Saliencia), el robot se confundía y funcionaba mucho peor.

En las Imágenes de Malware (RawMal-TF):
Aquí, la historia dio un giro brusco. La estrategia de "ocultamiento inteligente" falló. De hecho, empeoró las cosas. El mejor resultado para las imágenes de virus provino del grupo Sin Cutout, donde el robot vio las imágenes perfectamente, logrando una puntuación del 72.83%. Cada una de las versiones del truco de "ocultamiento" —ya fuera aleatorio, de baja saliencia o de alta saliencia— redujo la puntuación.

El mejor intento de "ocultamiento" (Cutout Aleatorio con un cuadrado del 30%) solo alcanzó el 71.55%.
La estrategia de "Baja Saliencia" (ocultar las partes aburridas) fue a veces ligeramente mejor que el aleatorio, pero a menudo ligeramente peor, y nunca superó la puntuación de "Sin Cutout".
La estrategia de "Alta Saliencia" (ocultar las partes importantes) fue consistentemente la peor, reduciendo significamente las puntuaciones.

Lo Que Esto Significa: Los Virus No Son Simples Imágenes

Los autores sugieren que esta diferencia ocurre porque las imágenes de malware y las imágenes naturales son fundamentalmente diferentes. Cuando miras la foto de un perro, las partes "importantes" son la cara y las orejas del perro. Ocultar la hierba en el fondo (baja saliencia) ayuda al robot a concentrarse en el perro.

Pero una imagen de malware es solo una traducción de código informático a una imagen. Las partes "importantes" que la computadora ve podrían ser patrones específicos de bytes, cabeceras de archivos o relleno (padding) que nos parecen estática aleatoria. Cuando los investigadores usaron el método "inteligente" para ocultar las partes "aburridas", podrían haber cubierto accidentalmente pistas estructurales cruciales que la familia del virus necesita para ser identificada. Es como intentar aprender un idioma cubriendo las vocales; puedes pensar que te estás concentrando en las consonantes, pero en realidad has destruido la estructura de la oración.

El artículo concluye que, si bien el cutout guiado por la saliencia es una herramienta poderosa para las imágenes naturales, no funciona automáticamente para el malware. La forma "inteligente" de ocultar partes de una imagen de un virus no se trata solo de mirar la imagen; requiere comprender la estructura oculta del propio código. Por ahora, el enfoque más simple —mostrar al robot la imagen completa, sin máscaras— sigue siendo el campeón para identificar estas amenazas digitales.

Resumen Técnico: Cutout de Saliencia Guiado por CAM y Clasificación de Malware Basada en Imágenes

Planteamiento del Problema

La clasificación de malware basada en imágenes convierte archivos ejecutables binarios en imágenes en escala de grises para aprovechar las Redes Neuronales Convolucionales (CNN) en su análisis. Si bien las CNN logran resultados de vanguardia en este dominio, el sobreajuste (overfitting) sigue siendo una preocupación. El Dropout y el Cutout son técnicas de regularización estándar para mitigar el sobreajuste; específicamente, el Cutout enmascara regiones espaciales aleatorias de las imágenes de entrenamiento para obligar al modelo a aprender de patrones visuales diversos en lugar de depender de un único rasgo local.

La pregunta central de investigación de este artículo es si la regularización Cutout puede mejorarse guiando la colocación de la región enmascarada mediante el Mapeo de Activación de Clase de Alta Resolución (HiResCAM). Específicamente, los autores investigan si eliminar regiones identificadas como de "baja saliencia" (menos importantes para la predicción del modelo) o de "alta saliencia" (más importantes) produce un mejor rendimiento de clasificación en comparación con el Cutout aleatorio estándar. Un objetivo secundario es determinar si los comportamientos observados en conjuntos de datos de imágenes naturales (como CIFAR-100) se trasladan al dominio del malware, o si las imágenes de malware requieren un tratamiento distinto debido a sus diferencias estructurales con las imágenes naturales.

Metodología

El estudio emplea un diseño experimental controlado utilizando ResNet18 como arquitectura base. Los experimentos se realizan en dos conjuntos de datos:

RawMal-TF: Un conjunto de datos de malware que contiene 17 familias con 1,000 muestras cada una, convertidas en imágenes estándar en escala de grises.
CIFAR-100: Un conjunto de datos de imágenes naturales utilizado como punto de referencia comparativo.

Condiciones Experimentales

Se comparan cuatro escenarios de entrenamiento:

Sin Cutout (No Cutout): La línea base utilizando las imágenes de entrenamiento originales.
Cutout Aleatorio (Random Cutout): Cutout estándar donde las regiones cuadradas se seleccionan de forma aleatoria.
Cutout de Baja Saliencia (Low-Saliency Cutout): La región de cutout se selecciona de áreas con baja activación en un mapa de saliencia HiResCAM generado por un modelo "profesor" (un ResNet18 sin cutout entrenado con los mismos datos).
Cutout de Alta Saliencia (High-Saliency Cutout): La región de cutout se selecciona de áreas con alta activación en el mapa HiResCAM.

Detalles de Implementación

Modelo Profesor: Un ResNet18 entrenado sin cutout genera mapas de saliencia HiResCAM para las imágenes de entrenamiento.
Aumentación: Para cada imagen original, se crean $M$ copias aumentadas ( $M \in \{4, 8\}$ ). Cada copia tiene una región cuadrada enmascarada (rellena de negro).
Áreas de Cutout: Los experimentos prueban tamaños de máscara que cubren el 5%, 10%, 20% y 30% del área de la imagen.
Lógica de Selección: Para el cutout guiado por saliencia, las ventanas candidatas se califican por su saliencia promedio. El método selecciona una ventana del 10% inferior (baja saliencia) o del 10% superior (alta saliencia) de los candidatos para asegurar la diversidad entre las $M$ copias, en lugar de elegir siempre el mínimo o máximo absoluto.
Configuración de Entrenamiento: 100 épocas, optimizador SGD, tamaño de lote (batch size) de 128, tasa de aprendizaje de 0.1 con programación de coseno. Se utilizan tres semillas aleatorias (42, 43, 44) para evaluar la robustez. Los datos de validación nunca se enmascaran.

Resultados Clave

Resultados de RawMal-TF (Malware)

Los resultados para el conjunto de datos de malware son negativos respecto a la utilidad del cutout guiado por saliencia:

Superioridad de la Línea Base: La línea base Sin Cutout logró la media de la mejor precisión de validación más alta (72.83% ± 0.16%).
Degradación por Cutout: Todas las condiciones de cutout (Aleatorio, Baja Saliencia y Alta Saliencia) resultaron en una precisión de validación media inferior a la de la línea base.
- Mejor Cutout Aleatorio ( $M=4$ , 30% de área): 71.55%.
- Mejor Cutout de Baja Saliencia ( $M=4$ , 30% de área): 71.43%.
- Mejor Cutout de Alta Saliencia: ~70.66%.
Saliencia vs. Aleatorio: El cutout de baja saliencia mostró resultados inconsistentes en comparación con el cutout aleatorio, con diferencias que oscilaron entre -0.56 y +0.46 puntos porcentuales en las distintas configuraciones. El cutout de alta saliencia fue consistentemente peor que el aleatorio, con déficits de hasta -2.00 puntos porcentuales.
Conclusión: La colocación guiada por saliencia no mejoró la clasificación de malware; de hecho, el enfoque aleatorio estándar funcionó mejor que los enfoques guiados, aunque ambos fueron inferiores a la ausencia de aumentación.

Resultados de CIFAR-100 (Imagen Natural)

En contraste, el conjunto de datos de imágenes naturales mostró resultados positivos para estrategias específicas guiadas por saliencia:

Línea Base: La precisión Sin Cutout fue de 62.65% ± 0.57%.
Mejora por Baja Saliencia: El cutout de baja saliencia con $M=4$ y un 10% de área alcanzó un 63.51% ± 0.36%, superando a la línea base por 0.86 puntos porcentuales y al correspondiente cutout aleatorio por 1.25 puntos porcentuales.
Degradación por Alta Saliencia: El cutout de alta saliencia fue consistentemente perjudicial, rindiendo significativamente peor que tanto la línea base como el cutout aleatorio en todas las configuraciones.
Robustez: El cutout de baja saliencia se mantuvo robusto incluso a medida que aumentaba el área de la máscara (20% y 30%), mientras que el rendimiento del cutout aleatorio y de alta saliencia se deterioró rápidamente.

Contribuciones Principales y Significado

La contribución principal del artículo es la demostración empírica de que el Cutout guiado por saliencia depende del dominio.

Disparidad de Dominio: El estudio establece que las técnicas efectivas para imágenes naturales (específicamente el cutout de baja saliencia) no se transfieren automáticamente a las imágenes de malware. En el dominio del malware, las regiones de "baja saliencia" identificadas por HiResCAM no necesariamente corresponden a información de fondo no crítica, como podría ocurrir en las imágenes naturales.
Naturaleza de las Imágenes de Malware: Los autores argumentan que las imágenes de malware se derivan de secuencias de bytes y estructuras binarias (por ejemplo, encabezados PE, límites de secciones). Una máscara cuadrada local en una imagen de malware puede eliminar regiones de bytes contiguos que codifican información estructural crítica para la clasificación de familias, independientemente de la intensidad de los píxeles o la puntuación de saliencia. Por consiguiente, enmascarar estas regiones (incluso si se consideran de "baja saliencia" por un modelo profesor) puede dañar la representación en lugar de regularizarla.
Riesgo de Alta Saliencia: Los resultados confirman que enmascarar regiones de alta saliencia es generalmente perjudicial en ambos dominios, ya que elimina los rasgos más discriminativos de los que depende el modelo.
Dirección Futura: El artículo sugiere que para el malware, las estrategias de enmascaramiento deberían ser conscientes de la estructura (alineadas con offsets binarios, secciones PE o transiciones de entropía) en lugar de depender únicamente de mapas de saliencia basados en imágenes derivadas de supuestos de imágenes naturales.

Limitaciones y Alcance

Los autores señalan explícitamente varias limitaciones:

Especificidad de la Arquitectura: Los resultados se basan únicamente en ResNet18; el rendimiento puede variar con otras arquitecturas (por ejemplo, ViT, EfficientNet).
Representación de Imagen: El estudio se limita a imágenes en escala de grises; no se probaron otras transformaciones de binario a imagen.
Poder Estadístico: Aunque se utilizaron tres semillas, el tamaño de la muestra es pequeño y los intervalos de confianza deben verse como exploratorios.
Presupuesto Computacional: Los conjuntos de entrenamiento aumentados ( $M=4$ o $8$) implican más ejemplos de entrenamiento que la línea base, lo que significa que la comparación no es estrictamente igualada en términos de pasos del optimizador.

En resumen, el artículo concluye que, si bien el Cutout guiado por saliencia puede mejorar la clasificación de imágenes naturales, actualmente no ofrece beneficios —y puede ser perjudicial— para la clasificación de malware en escala de grises, destacando la necesidad de estrategias de aumentación específicas para el dominio en el análisis de malware.