Phát hiện mã độc đa hình và mã độc zero-day là một thách thức lớn do sự tương đồng cao về đặc trưng giữa các biến thể độc hại và tệp lành tính, gây suy giảm hiệu suất của các phương pháp dựa trên Cross-Entropy truyền thống. Bài báo đề xuất khung phương pháp TFC-MAL (Triplet-based Feature Compactness for Malware Detection), sử dụng Triplet Loss để học không gian nhúng phân biệt từ hình ảnh mã độc. Bằng cách tối ưu hóa khoảng cách tương đối với một lề cố định, Triplet Loss tạo ra các vector nhúng có độ tập trung nội lớp cao và tách biệt ngoại lớp rõ rệt, giúp tăng cường khả năng tổng quát hóa đối với các mẫu chưa từng xuất hiện. Kết quả thực nghiệm cho thấy TFC-MAL kết hợp với bộ phân loại SVM đạt độ chính xác cao nhất là 90,83% trên tập Unknown-ClamAV, tăng 11,43% so với phương pháp tiên tiến nhất hiện nay. Đồng thời, hệ thống duy trì hiệu suất cao trên các mẫu lành tính (96,76%) và mã độc đã biết (96,84%) khi sử dụng MLP. Kết quả khẳng định Triplet Loss mang lại khả năng tổng quát hóa vượt trội trong việc nhận diện mã độc zero-day và các biến thể đa hình.