論文の概要: SPLAIN: Augmenting CybersecurityWarnings with Reasons and Data

• arxiv url: http://arxiv.org/abs/2311.11215v1
• Date: Sun, 19 Nov 2023 03:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-21 21:31:13.242451
• Title: SPLAIN: Augmenting CybersecurityWarnings with Reasons and Data
• Title（参考訳）: SPLAIN: 理由とデータによるサイバーセキュリティ問題の拡大
• Authors: Vera A. Kazakova and Jena D. Hwang and Bonnie J. Dorr and Yorick Wilks and J. Blake Gage and Alex Memory and Mark A. Clark
• Abstract要約: 本稿では,警告データをユーザフレンドリーなサイバー脅威説明に変換する自然言語生成ツールであるSPLAINを紹介する。 SPLAINは、入力データとシステム機能に関する階層的な説明的詳細を組み込んだ、明確で実用的な出力を生成するように設計されている。 私たちの結論は、デザイナがサイバー警告の背後にある"方法"と"理由"を指定する必要性を強調しています。
• 参考スコア（独自算出の注目度）: 7.282777002156992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective cyber threat recognition and prevention demand comprehensible forecasting systems, as prior approaches commonly offer limited and, ultimately, unconvincing information. We introduce Simplified Plaintext Language (SPLAIN), a natural language generator that converts warning data into user-friendly cyber threat explanations. SPLAIN is designed to generate clear, actionable outputs, incorporating hierarchically organized explanatory details about input data and system functionality. Given the inputs of individual sensor-induced forecasting signals and an overall warning from a fusion module, SPLAIN queries each signal for information on contributing sensors and data signals. This collected data is processed into a coherent English explanation, encompassing forecasting, sensing, and data elements for user review. SPLAIN's template-based approach ensures consistent warning structure and vocabulary. SPLAIN's hierarchical output structure allows each threat and its components to be expanded to reveal underlying explanations on demand. Our conclusions emphasize the need for designers to specify the "how" and "why" behind cyber warnings, advocate for simple structured templates in generating consistent explanations, and recognize that direct causal links in Machine Learning approaches may not always be identifiable, requiring some explanations to focus on general methodologies, such as model and training data.
• Abstract（参考訳）: 効果的なサイバー脅威認識と予防要求は、事前アプローチが一般的に限定的で、究極的には理解できない情報を提供するため、理解しやすい予測システムである。 SPLAIN(Simplified Plaintext Language)は,警告データをユーザフレンドリーなサイバー脅威記述に変換する自然言語生成装置である。 SPLAINは、入力データとシステム機能に関する階層的な説明的詳細を組み込んだ、明確で実用的な出力を生成するように設計されている。 個々のセンサによる予測信号の入力と融合モジュールからの全体的な警告を考慮し、SPLAINは各信号に対して、センサやデータ信号に関する情報を問い合わせる。 この収集されたデータは、ユーザレビューのための予測、センシング、データ要素を含む、一貫性のある英語の説明に処理される。 SPLAINのテンプレートベースのアプローチは、一貫した警告構造と語彙を保証する。 splainの階層的な出力構造により、各脅威とそのコンポーネントを拡張でき、要求の基盤となる説明を明らかにすることができる。 我々の結論は、サイバー警告の背後にある「方法」と「理由」を特定することの必要性を強調し、一貫性のある説明を生成するための単純な構造化テンプレートを提唱し、機械学習アプローチにおける直接因果関係が常に識別可能であるとは限らないことを認識し、モデルやトレーニングデータといった一般的な方法論に焦点を当てるためにいくつかの説明を必要とする。

関連論文リスト

• PAGE: Parametric Generative Explainer for Graph Neural Network [16.350208494261913]
  PAGEは、事前の知識や内部の詳細を必要とせずに、グラフニューラルネットワークに対して忠実な説明を提供することができる。 我々は,潜在因果関係の特徴とモデル出力の因果関係を捉えるために,新たな判別器を導入する。 既存の方法と比較して、PAGEはノードやエッジではなく、サンプルスケールで動作する。
  論文  参考訳（メタデータ） (2024-08-26T06:39:49Z)
• Retrieval-Augmented Mining of Temporal Logic Specifications from Data [0.46040036610482665]
  この研究は、観測された振る舞いからデータ駆動的な方法でSTL要求を学習するタスクに対処する。 本稿では,ベイズ最適化(BO)と情報検索(IR)技術を組み合わせて,STL式の構造とパラメータを同時に学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:29:00Z)
• Token-level Sequence Labeling for Spoken Language Understanding using Compositional End-to-End Models [94.30953696090758]
  音声合成言語理解システムを構築した。 ASRのために訓練された中間デコーダを頼りにすることで、私たちのエンドツーエンドシステムは、入力モダリティを音声からトークンレベルの表現に変換する。 我々のモデルは、名前付きエンティティ認識のラベル付けタスクにおいて、カスケードモデルと直接エンド・ツー・エンドモデルの両方より優れている。
  論文  参考訳（メタデータ） (2022-10-27T19:33:18Z)
• Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
  創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
  論文  参考訳（メタデータ） (2022-10-21T15:33:37Z)
• Attribute Inference Attack of Speech Emotion Recognition in Federated Learning Settings [56.93025161787725]
  Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。 本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。 FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-26T16:50:42Z)
• Disentangled Sequence to Sequence Learning for Compositional Generalization [62.954842223732435]
  本稿では,ソース入力を適応的に再符号化することで,不整合表現の学習を可能にするシーケンス・ツー・シーケンス・モデルの拡張を提案する。 意味解析と機械翻訳の実験結果から,提案手法はより不整合な表現とより優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-10-09T22:27:19Z)
• Explaining Network Intrusion Detection System Using Explainable AI Framework [0.5076419064097734]
  侵入検知システムは、今日の世界のサイバー安全の重要なレイヤーの1つです。 本稿では,ディープニューラルネットワークを用いてネットワーク侵入検出を行った。 また、機械学習パイプラインの各段階で透明性を追加する説明可能なAIフレームワークも提案しました。
  論文  参考訳（メタデータ） (2021-03-12T07:15:09Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。