論文の概要: KGRGRL: A User's Permission Reasoning Method Based on Knowledge Graph Reward Guidance Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2205.07502v1
• Date: Mon, 16 May 2022 08:28:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 15:03:53.880333
• Title: KGRGRL: A User's Permission Reasoning Method Based on Knowledge Graph Reward Guidance Reinforcement Learning
• Title（参考訳）: kgrgrl:知識グラフ報酬指導強化学習に基づくユーザの許可推論手法
• Authors: Lei Zhang, Yu Pan, Yi Liu, Qibin Zheng, Zhisong Pan
• Abstract要約: 我々は、複数のドメインサイバースペースの知識グラフ(KG)を作成し、サイバースペースの標準的な意味記述を提供する。 サイバースペース内のすべてのパーミッションはノードとして表現され、エージェントは、ユーザの初期パーミッションとサイバースペースKGに従って、ユーザが保持できるすべてのパーミッションを見つけるように訓練される。 実験の結果,提案手法はユーザのパーミッションを推論し,ユーザのパーミッション推論手法のインテリジェンスレベルを向上することができることがわかった。
• 参考スコア（独自算出の注目度）: 13.26410704945674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In general, multiple domain cyberspace security assessments can be implemented by reasoning user's permissions. However, while existing methods include some information from the physical and social domains, they do not provide a comprehensive representation of cyberspace. Existing reasoning methods are also based on expert-given rules, resulting in inefficiency and a low degree of intelligence. To address this challenge, we create a Knowledge Graph (KG) of multiple domain cyberspace in order to provide a standard semantic description of the multiple domain cyberspace. Following that, we proposed a user's permissions reasoning method based on reinforcement learning. All permissions in cyberspace are represented as nodes, and an agent is trained to find all permissions that user can have according to user's initial permissions and cyberspace KG. We set 10 reward setting rules based on the features of cyberspace KG in the reinforcement learning of reward information setting, so that the agent can better locate user's all permissions and avoid blindly finding user's permissions. The results of the experiments showed that the proposed method can successfully reason about user's permissions and increase the intelligence level of the user's permissions reasoning method. At the same time, the F1 value of the proposed method is 6% greater than that of the Translating Embedding (TransE) method.
• Abstract（参考訳）: 一般に、複数のドメインサイバースペースセキュリティアセスメントは、ユーザの許可を推論することで実装できる。 しかし、既存の手法では物理ドメインや社会ドメインの情報が含まれているが、サイバースペースの包括的な表現は提供されていない。 既存の推論方法は専門家による規則にも基づいていて、結果として非効率性や知性が低下する。 この課題に対処するために、複数のドメインサイバースペースの標準的なセマンティック記述を提供するために、複数のドメインサイバースペースの知識グラフ(KG)を作成する。 その後,強化学習に基づく利用者の許可推論手法を提案する。 サイバースペースのすべてのパーミッションはノードとして表現され、エージェントはユーザーの初期パーミッションとサイバースペースkgに従って、ユーザが持つすべてのパーミッションを見つけるように訓練される。 我々は,報酬情報設定の強化学習において,サイバースペースKGの特徴に基づく10の報酬設定ルールを設定した。 実験の結果,提案手法はユーザのパーミッションに関する推論を成功させ,ユーザのパーミッション推論方法の知性レベルを向上できることがわかった。 同時に,提案手法のf1値はtranslating embedded (transe) 法よりも6%高い値を示した。

関連論文リスト

• SudoLM: Learning Access Control of Parametric Knowledge with Authorization Alignment [51.287157951953226]
  我々は,特定のパラメトリック知識のアクセス制御をLLMが学べるフレームワークであるSudoLMを提案する。 2つのアプリケーションシナリオの実験は、SudoLMがユーザのパラメトリック知識へのアクセスを効果的に制御し、その汎用性を維持することを実証している。
  論文  参考訳（メタデータ） (2024-10-18T17:59:51Z)
• Private Counterfactual Retrieval [34.11302393278422]
  透明性と説明可能性は、ブラックボックス機械学習モデルを採用する際に考慮すべき極めて重要な2つの側面である。 反実的な説明を提供することは、この要件を満たす一つの方法である。 プライベート情報検索(PIR)技術にインスパイアされた複数のスキームを提案する。
  論文  参考訳（メタデータ） (2024-10-17T17:45:07Z)
• Flexible image analysis for law enforcement agencies with deep neural networks to determine: where, who and what [36.136619420474766]
  法執行機関(LEA)は、ラディカル化の発見やテロリスト組織へのプロパガンダ、ダークネット市場における違法な製品など、画像やビデオを検査している。 直接検索する代わりに、LEAは新たな犯罪や脅威に適応し、特定の場所、人、または対象からのデータにのみ焦点を合わせたいと考えている。 深層畳み込みニューラルネットワーク(CNN)による視覚概念検出は、画像の内容を理解する上で重要な要素である。
  論文  参考訳（メタデータ） (2024-05-15T09:02:17Z)
• FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization [1.9181612035055007]
  本稿では,ユーザマッチングを必要とせず,ユーザの属性を予測する新しいアルゴリズムを提案する。 我々のアプローチは、異なるクライアント上で深い行列分解モデルを訓練し、属性項目ベクトルのみを共有することである。 これにより、ユーザベクトル自体を共有することなく、ユーザ属性を予測できます。
  論文  参考訳（メタデータ） (2023-12-24T06:49:00Z)
• Learning User-Interpretable Descriptions of Black-Box AI System Capabilities [9.608555640607731]
  本稿では,ブラックボックスAIシステムの限界と能力について,ユーザ解釈可能な記号記述を学習するためのアプローチを提案する。 階層的なアクティブクエリパラダイムを使用して質問を生成し、その応答に基づいてAIシステムのユーザ解釈可能なモデルを学ぶ。
  論文  参考訳（メタデータ） (2021-07-28T23:33:31Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Improving Conversational Question Answering Systems after Deployment using Feedback-Weighted Learning [69.42679922160684]
  本稿では,二元的ユーザフィードバックを用いた初期教師付きシステムを改善するために,重要サンプリングに基づくフィードバック重み付き学習を提案する。 当社の作業は,実際のユーザとのインタラクションを活用し,デプロイ後の会話システムを改善する可能性を開くものだ。
  論文  参考訳（メタデータ） (2020-11-01T19:50:34Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)
• Federated Learning of User Authentication Models [69.93965074814292]
  機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。 提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
  論文  参考訳（メタデータ） (2020-07-09T08:04:38Z)
• Differentiable Reasoning over a Virtual Knowledge Base [156.94984221342716]
  コーパスを仮想知識ベース(KB)として,複雑なマルチホップ質問に答えるタスクについて検討する。 特に、コーパス内のエンティティの参照間の関係の経路をソフトに追従し、KBのようにテキストデータをトラバースするDrKITについて述べる。 DrKITは非常に効率的で、既存のマルチホップシステムよりも毎秒10-100倍のクエリを処理する。
  論文  参考訳（メタデータ） (2020-02-25T03:13:32Z)

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。