《表3 实验对比结果：一种基于词向量的恶意代码分类模型》
提示：宽带有限、当前游客访问压缩模式
本文同近年来在该数据集上表现优秀的几种分类模型进行横向比较，实验结果对比如表3所示。
| 图表编号 | XD00131678000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.20 |
| 作者 | 刘恒讯、艾中良 |
| 绘制单位 | 华北计算技术研究所、中国司法大数据研究院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 模型对比结果：基于半监督与词向量加权的文本分类研究》2020.09.15
- 《表5 词向量聚类结果：一种半监督学习的代码自动生成性能评估方法》2021.03.01
- 《表3 分类结果混淆矩阵：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《表2 实验环境：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《表3 模型检测结果对比：基于CNN-BiLSTM的恶意代码家族检测技术》2020.12.15
- 《表3 基于不同词向量模型的对比结果》2020.07.01
- 《表1 恶意代码数据集：一种基于深度森林的恶意代码分类方法》2020.05.01
- 《表2 分类结果对比：基于属性数据流图的恶意代码家族分类》2020.03.05
- 《表1 实验数据集：基于属性数据流图的恶意代码家族分类》2020.03.05
- 《表3 使用词向量模型表示文本的分类结果》2020.02.25
- 《表1 实验环境：一种基于词向量的恶意代码分类模型》2020.03.20
- 《表3 模型参数设置：基于汇编指令词向量特征的恶意软件检测研究》2020.02.05
- 《表1 实验环境配置：基于汇编指令词向量特征的恶意软件检测研究》2020.02.05
- 《表2 混淆矩阵：基于汇编指令词向量特征的恶意软件检测研究》2020.02.05
- 《表5 实验结果对比：基于上下文词向量和主题模型的实体消歧方法》2019.11.01
- 《表3 算法准确率比较：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 模型测试结果：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表3 检测性能对比：一种基于图像感知哈希的海量恶意代码分类方法》2019.06.01
- 《表1 实验结果：基于汇编指令词向量与卷积神经网络的恶意代码分类方法研究》2019.04.10