Stabilità delle spiegazioni nella classificazione delle tracce di software
Il contributo in brevePoiché modelli capaci di classificare correttamente gli stessi programmi possono affidarsi a indizi differenti, il lavoro esamina la stabilità delle spiegazioni nella classificazione delle tracce comportamentali, considerando il ruolo delle rappresentazioni e delle regolarità apprese dai classificatori.
Riferimento bibliografico completo
Estimating shortcut learning and inductive bias in multi-view behavioural trace classification
Artificial Neural Networks in Pattern Recognition, Lecture Notes in Computer Science · Springer, 2027, pp. 89–101 (ANNPR, Milano 2026)
Problema, metodo e risultati
Su un insieme di dati per il riconoscimento del ransomware vengono confrontate diverse descrizioni dell’esecuzione: chiamate di sistema, librerie e percorsi, segnali dei contatori hardware e loro combinazioni. Gli indici Information Concordance e Selector Adjusted Information Concordance misurano l’accordo fra le spiegazioni, considerando anche gli effetti della selezione delle variabili. Nel confronto svolto, le chiamate di sistema offrono spiegazioni più stabili fra modelli; altre rappresentazioni risentono maggiormente delle scelte di elaborazione. Il risultato riguarda il benchmark studiato e invita a valutare insieme accuratezza e stabilità delle ragioni della previsione.
Il lavoro è stato presentato ad ANNPR nell’ottobre 2026 e pubblicato online nel settembre 2026; AIR UniMI attribuisce il 2027 all’edizione bibliografica del volume degli atti.
