論文の概要: Automated Artefact Relevancy Determination from Artefact Metadata and Associated Timeline Events

• arxiv url: http://arxiv.org/abs/2012.01972v1
• Date: Wed, 2 Dec 2020 14:14:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:43:56.361618
• Title: Automated Artefact Relevancy Determination from Artefact Metadata and Associated Timeline Events
• Title（参考訳）: アーティファクトメタデータと関連するタイムラインイベントからの自動アーティファクト関連判定
• Authors: Xiaoyu Du, Quan Le and Mark Scanlon
• Abstract要約: ケースハンダーで、多年にわたるデジタル法医学的証拠バックログは、世界中の法執行機関で一般的になっている。 これは、デジタル法医学的な調査を必要とするケースが、ケースごとに処理されるデータの量の増加と相まって増え続けているためである。 以前に処理されたデジタル法医学ケースとそれらのコンポーネントのアーティファクト関連性分類を活用することは、自動化された人工知能ベースのエビデンス処理システムのトレーニングの機会を促進することができる。
• 参考スコア（独自算出の注目度）: 7.219077740523683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Case-hindering, multi-year digital forensic evidence backlogs have become commonplace in law enforcement agencies throughout the world. This is due to an ever-growing number of cases requiring digital forensic investigation coupled with the growing volume of data to be processed per case. Leveraging previously processed digital forensic cases and their component artefact relevancy classifications can facilitate an opportunity for training automated artificial intelligence based evidence processing systems. These can significantly aid investigators in the discovery and prioritisation of evidence. This paper presents one approach for file artefact relevancy determination building on the growing trend towards a centralised, Digital Forensics as a Service (DFaaS) paradigm. This approach enables the use of previously encountered pertinent files to classify newly discovered files in an investigation. Trained models can aid in the detection of these files during the acquisition stage, i.e., during their upload to a DFaaS system. The technique generates a relevancy score for file similarity using each artefact's filesystem metadata and associated timeline events. The approach presented is validated against three experimental usage scenarios.
• Abstract（参考訳）: ケースハンダーで、多年にわたるデジタル法医学的証拠バックログは、世界中の法執行機関で一般的になっている。 これは、デジタル法医学的な調査と、事件ごとに処理されるデータの量の増加を必要とするケースがますます増えているためである。 以前に処理されたデジタル法医学事件とそれらの構成要素のアーティファクト関連分類を活用することで、自動化された人工知能ベースの証拠処理システムを訓練する機会が促進される。 これらは、証拠の発見と優先化において、調査員を著しく助けることができる。 本稿では,dfaas (centralized digital forensics as a service) パラダイムへの移行傾向に基づく,ファイルアーティファクト関連判定のための1つのアプローチを提案する。 このアプローチは、以前に遭遇した関連するファイルを使用して、新しく発見されたファイルを調査で分類することを可能にする。 トレーニングされたモデルは、取得段階、すなわちDFaaSシステムへのアップロード中のこれらのファイルの検出を支援することができる。 この技術は、各アーティファクトのファイルシステムメタデータと関連するタイムラインイベントを使用して、ファイル類似性に関する関連スコアを生成する。 提案するアプローチは、3つの実験的な利用シナリオに対して検証される。

関連論文リスト

• Advancing Cyber Incident Timeline Analysis Through Rule Based AI and Large Language Models [0.0]
  本稿では,ルールベース人工知能(R-BAI)アルゴリズムとLarge Language Models(LLM)を組み合わせた新しいフレームワークGenDFIRを紹介する。
  論文  参考訳（メタデータ） (2024-09-04T09:46:33Z)
• Behind the (Digital Crime) Scenes: An MSC Model [0.0]
  デジタル証拠を抽出する基礎分野としてのデジタル法医学の確立は、刑事捜査の複雑な性質をさらに悪化させる。 刑事事件におけるディジタル法医学を構成するプロトコルを記述し、それらをメッセージシーケンスチャート(MSC)として定式化し、それらの機能要件を特定する。
  論文  参考訳（メタデータ） (2024-03-24T15:29:08Z)
• Automatically Summarizing Evidence from Clinical Trials: A Prototype Highlighting Current Challenges [20.74608114488094]
  TrialsSummarizerは、与えられたクエリに最も関係のあるランダム化制御された試行セットで提示されたエビデンスを自動的に要約することを目的としている。 システムは、条件、介入、結果の組み合わせを指定するクエリに一致するトライアルパブリッシュを検索する トップkの研究は、神経多文書要約システムを通して受け継がれ、これらの試行の相乗効果をもたらす。
  論文  参考訳（メタデータ） (2023-03-07T17:30:48Z)
• Natural Logic-guided Autoregressive Multi-hop Document Retrieval for Fact Verification [21.04611844009438]
  マルチホップ検索のための新しい検索・参照手法を提案する。 知識ソース内の文書と、以前検索された文書から文を共同でスコアする検索器で構成されている。 証拠が十分であると判断された場合、検索プロセスを動的に終了する証明システムによってガイドされる。
  論文  参考訳（メタデータ） (2022-12-10T11:32:38Z)
• Questions Are All You Need to Train a Dense Passage Retriever [123.13872383489172]
  ARTは、ラベル付きトレーニングデータを必要としない高密度検索モデルをトレーニングするための、新しいコーパスレベルのオートエンコーディングアプローチである。 そこで,(1) 入力質問を用いて証拠文書の集合を検索し,(2) 文書を用いて元の質問を再構築する確率を計算する。
  論文  参考訳（メタデータ） (2022-06-21T18:16:31Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Fast(er) Reconstruction of Shredded Text Documents via Self-Supervised Deep Asymmetric Metric Learning [62.34197797857823]
  細断文書の自動復元における中心的な問題は、細断文書の相互互換性評価である。 本研究は,推定回数を線形にスケールするペアワイド互換性を測るスケーラブルな深層学習手法を提案する。 提案手法は,505個のシュレッダーを持つテストインスタンスに対して,22倍の高速化を実現した最先端技術に匹敵する精度を有する。
  論文  参考訳（メタデータ） (2020-03-23T03:22:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。