Fugu-MT 論文翻訳(概要): SoK: Game-Theoretic Cybersecurity: Assumptions, Models, Gaps, and Bridges

論文の概要: SoK: Game-Theoretic Cybersecurity: Assumptions, Models, Gaps, and Bridges

arxiv url: http://arxiv.org/abs/2401.13815v1
Date: Wed, 24 Jan 2024 21:22:30 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 08:17:26.329172
Title: SoK: Game-Theoretic Cybersecurity: Assumptions, Models, Gaps, and Bridges
Title（参考訳）: SoK:ゲーム理論サイバーセキュリティ:想定、モデル、ギャップ、ブリッジ
Authors: Brandon Collins, Shouhuai Xu, Philip N. Brown,
Abstract要約: 本稿では,ゲーム理論のアプローチで研究されている主要なサイバーセキュリティ問題を整理する。この体系化は、ゲーム理論のサイバーセキュリティモデルを真に有用なものにするために対処しなければならない技術的ギャップを特徴づける。
参考スコア（独自算出の注目度）: 5.715413347864052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The discipline of game theory was introduced in the context of economics, and has been applied to study cyber attacker and defender behaviors. While adaptions have been made to accommodate features in the cyber domain, these studies are inherently limited by the root of game theory in economic systems where players (i.e., agents) may be selfish but not malicious. In this SoK, we systematize the major cybersecurity problems that have been studied with the game-theoretic approach, the assumptions that have been made, the models and solution concepts that have been proposed. The systematization leads to a characterization of the technical gaps that must be addressed in order to make game-theoretic cybersecurity models truly useful. We explore bridges to address them.
Abstract（参考訳）: ゲーム理論の分野は経済学の文脈で導入され、サイバー攻撃やディフェンダー行動の研究に応用されてきた。サイバー領域の特徴に対応するために適応が作られてきたが、これらの研究は本質的には、プレイヤー(エージェント)が利己的であるが悪意はない経済システムにおけるゲーム理論のルーツによって制限されている。本稿では,ゲーム理論アプローチで研究されている主要なサイバーセキュリティ問題,想定された仮定,提案されたモデルとソリューション概念を体系化する。この体系化は、ゲーム理論のサイバーセキュリティモデルを真に有用なものにするために対処しなければならない技術的ギャップを特徴づける。私たちはそれらに対応するために橋を探索する。

関連論文リスト

Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy, Research, and Practice [186.055899073629]
非学習はしばしば、生成AIモデルからターゲット情報の影響を取り除くソリューションとして呼び出される。未学習はまた、モデルが出力中にターゲットとなるタイプの情報を生成するのを防ぐ方法として提案されている。これら2つの目標 - モデルからの情報の標的的除去と、モデル出力からの情報のターゲット的抑制 - は、様々な技術的および現実的な課題を表す。
論文参考訳（メタデータ） (2024-12-09T20:18:43Z)
SoK: Unifying Cybersecurity and Cybersafety of Multimodal Foundation Models with an Information Theory Approach [58.93030774141753]
MFM(Multimodal foundation model)は、人工知能の大幅な進歩を表す。本稿では,マルチモーダル学習におけるサイバーセーフティとサイバーセキュリティを概念化する。我々は、これらの概念をMFMに統一し、重要な脅威を特定するための総合的知識体系化(SoK)を提案する。
論文参考訳（メタデータ） (2024-11-17T23:06:20Z)
Inherently Interpretable and Uncertainty-Aware Models for Online Learning in Cyber-Security Problems [0.22499166814992438]
サイバーセキュリティにおけるオンライン教師あり学習問題に対する新しいパイプラインを提案する。当社のアプローチは、予測パフォーマンスと透明性のバランスをとることを目的としています。この研究は、解釈可能なAIの分野の成長に寄与する。
論文参考訳（メタデータ） (2024-11-14T12:11:08Z)
Rethinking the Uncertainty: A Critical Review and Analysis in the Era of Large Language Models [42.563558441750224]
大規模言語モデル(LLM)は、幅広い人工知能応用の基礎となっている。現在の手法はしばしば、真の不確実性を特定し、測定し、対処するのに苦労する。本稿では,不確実性の種類や原因を特定し,理解するための包括的枠組みを提案する。
論文参考訳（メタデータ） (2024-10-26T15:07:15Z)
Risk-reducing design and operations toolkit: 90 strategies for managing risk and uncertainty in decision problems [65.268245109828]
本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
論文参考訳（メタデータ） (2023-09-06T16:14:32Z)
A Survey of Network Requirements for Enabling Effective Cyber Deception [0.0]
本稿では,有効なサイバー詐欺手法の実装に不可欠なネットワーク要件について検討する。多様なネットワークアーキテクチャとトポロジに注目して、ネットワーク特性と偽装機構の展開の間の複雑な関係を掘り下げる。
論文参考訳（メタデータ） (2023-09-01T00:38:57Z)
Against Algorithmic Exploitation of Human Vulnerabilities [2.6918074738262194]
我々は、機械学習モデルが故意に脆弱性をモデル化することを懸念している。一般的な脆弱性を記述し、アルゴリズムによる意思決定においてそれらが役割を担っている可能性を示す。本稿では,脆弱性モデリングの可能性を検出する手法の一連の要件を提案する。
論文参考訳（メタデータ） (2023-01-12T13:15:24Z)
AdvCat: Domain-Agnostic Robustness Assessment for Cybersecurity-Critical Applications with Categorical Inputs [29.907921481157974]
敵攻撃に対する堅牢性は、機械学習のデプロイメントにおける重要な信頼の1つだ。本稿では,ML駆動型サイバーセキュリティクリティカルな幅広いアプリケーションを対象とした,最適かつ高効率な対向ロバスト性評価プロトコルを提案する。本研究では,ドメインに依存しないロバスト性評価手法を用いて,偽ニュースの検出と侵入検知問題に関する実験を行った。
論文参考訳（メタデータ） (2022-12-13T18:12:02Z)
Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文参考訳（メタデータ） (2021-07-28T10:28:05Z)
A general framework for defining and optimizing robustness [74.67016173858497]
分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
論文参考訳（メタデータ） (2020-06-19T13:24:20Z)
Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
論文参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。