Fugu-MT 論文翻訳(概要): Game-Theoretic and Machine Learning-based Approaches for Defensive Deception: A Survey

論文の概要: Game-Theoretic and Machine Learning-based Approaches for Defensive Deception: A Survey

arxiv url: http://arxiv.org/abs/2101.10121v1
Date: Thu, 21 Jan 2021 21:55:43 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 09:53:00.883787
Title: Game-Theoretic and Machine Learning-based Approaches for Defensive Deception: A Survey
Title（参考訳）: ゲーム理論と機械学習によるディフェンシブ・ディセプションのアプローチ:調査
Authors: Mu Zhu, Ahmed H. Anwar, Zelin Wan, Jin-Hee Cho, Charles Kamhoua, and Munindar P. Singh
Abstract要約: 本稿では,ゲーム理論と機械学習を中心とした防御的デセプション研究に焦点を当てる。これは、現在の防衛詐欺研究の大きなギャップに取り組むためにいくつかの研究方向の概要で閉じます。
参考スコア（独自算出の注目度）: 13.624968742674143
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Defensive deception is a promising approach for cyberdefense. Although defensive deception is increasingly popular in the research community, there has not been a systematic investigation of its key components, the underlying principles, and its tradeoffs in various problem settings. This survey paper focuses on defensive deception research centered on game theory and machine learning, since these are prominent families of artificial intelligence approaches that are widely employed in defensive deception. This paper brings forth insights, lessons, and limitations from prior work. It closes with an outline of some research directions to tackle major gaps in current defensive deception research.
Abstract（参考訳）: 防衛詐欺はサイバー防衛にとって有望なアプローチだ。ディフェンシブ・デセプションは研究コミュニティで人気が高まっているが、キーコンポーネント、基本原理、様々な問題設定におけるトレードオフに関する体系的な調査は行われていない。本研究は,ゲーム理論と機械学習を中心とした防御的デセプション研究に焦点を当て,防御的デセプションに広く用いられている人工知能アプローチの著名なファミリーである。本稿では,先行作業から洞察,教訓,限界を導き出す。現在の防衛詐欺研究の大きなギャップに対処するためのいくつかの研究の方向性の概要をまとめて締めくくっている。
全文参考訳へのリンク