Fugu-MT 論文翻訳(概要): CybORG++: An Enhanced Gym for the Development of Autonomous Cyber Agents

論文の概要: CybORG++: An Enhanced Gym for the Development of Autonomous Cyber Agents

arxiv url: http://arxiv.org/abs/2410.16324v1
Date: Fri, 18 Oct 2024 11:04:07 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-28 17:07:38.661781
Title: CybORG++: An Enhanced Gym for the Development of Autonomous Cyber Agents
Title（参考訳）: CybORG++: 自律型サイバーエージェント開発のための強化されたジーム
Authors: Harry Emerson, Liz Bates, Chris Hicks, Vasilios Mavroudis,
Abstract要約: CybORG++は、ネットワーク防御に焦点を当てた強化学習研究のための高度なツールキットである。 CAGE 2 CybORG環境上に構築され、重要な改善が導入されている。 MiniCAGEはパフォーマンスを劇的に改善し、並列イテレーションの実行を最大1000倍高速化する。
参考スコア（独自算出の注目度）: 0.22499166814992438
License: http://creativecommons.org/licenses/by/4.0/
Abstract: CybORG++ is an advanced toolkit for reinforcement learning research focused on network defence. Building on the CAGE 2 CybORG environment, it introduces key improvements, including enhanced debugging capabilities, refined agent implementation support, and a streamlined environment that enables faster training and easier customisation. Along with addressing several software bugs from its predecessor, CybORG++ introduces MiniCAGE, a lightweight version of CAGE 2, which improves performance dramatically, up to 1000x faster execution in parallel iterations, without sacrificing accuracy or core functionality. CybORG++ serves as a robust platform for developing and evaluating defensive agents, making it a valuable resource for advancing enterprise network defence research.
Abstract（参考訳）: CybORG++は、ネットワーク防御に焦点を当てた強化学習研究のための高度なツールキットである。 CAGE 2 CybORG環境上に構築されており、デバッグ機能の強化、エージェントの実装サポートの改善、より高速なトレーニングとカスタマイズを容易にする合理化環境など、重要な改善が加えられている。 CAGE 2の軽量バージョンであるMiniCAGEを導入し、精度やコア機能を犠牲にすることなく、並列イテレーションの実行を最大1000倍高速化する。 CybORG++は、防御エージェントの開発と評価のための堅牢なプラットフォームとして機能し、エンタープライズネットワーク防衛研究を推進するための貴重なリソースとなっている。

関連論文リスト

Jenius Agent: Towards Experience-Driven Accuracy Optimization in Real-World Scenarios [0.9069311779417014]
本稿では,実体験に基づくエージェントフレームワークを提案する。 Jenius-Agentという名前のエンドツーエンドフレームワークは、3つの重要な最適化と統合されている。実験によると、タスクの精度が20%向上し、トークンコストが削減され、レスポンスレイテンシが低下し、起動障害が発生している。
論文参考訳（メタデータ） (2026-01-05T07:35:12Z)
Confucius Code Agent: Scalable Agent Scaffolding for Real-World Codebases [44.366968508477235]
大規模に運用可能なスケーラブルなソフトウェアエンジニアリングエージェントであるConfucius Code Agent (CCA)を紹介した。 CCAはConfucius SDKの上に構築されている。さらに,エージェント構成の合成,評価,洗練を自動化するメタエージェントを導入する。
論文参考訳（メタデータ） (2025-12-11T08:05:58Z)
Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
論文参考訳（メタデータ） (2025-11-20T05:01:57Z)
UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action [77.63125913907771]
本稿では,GUIプリミティブと高レベルのプログラムツールコールのギャップを埋める基盤モデルであるUltraCUAを提案する。 7Bおよび32Bモデルによる実験は、最先端のエージェントよりも大幅に改善されている。
論文参考訳（メタデータ） (2025-10-20T17:48:26Z)
From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文参考訳（メタデータ） (2025-10-07T05:45:25Z)
Towards Production-Worthy Simulation for Autonomous Cyber Operations [0.37596343595976384]
我々は、Patch、Isolate、Unisolateという3つの新しいアクションを実装することで、CybORGのCage Challenge 2環境を拡張します。そこで我々は,報酬信号とエージェントの特徴空間を改良し,訓練性能を向上させるエージェント開発の設計を提案する。
論文参考訳（メタデータ） (2025-08-23T20:29:25Z)
AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications [95.42093979627703]
AgentScopeは柔軟で効率的なツールベースのエージェント環境インタラクションをサポートする。エージェントの動作をReActパラダイムに基盤として,エージェントレベルの高度なインフラストラクチャを提供します。 AgentScopeには、開発者フレンドリーなエクスペリエンスのための堅牢なエンジニアリングサポートも含まれている。
論文参考訳（メタデータ） (2025-08-22T10:35:56Z)
AgentCPM-GUI: Building Mobile-Use Agents with Reinforcement Fine-Tuning [82.42421823672954]
AgentCPM-GUIは、堅牢で効率的なオンデバイスGUIインタラクションのために構築されている。私たちのトレーニングパイプラインには、知覚を高めるためのグラウンドアウェア事前トレーニングが含まれています。 AgentCPM-GUIは5つの公開ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-06-02T07:30:29Z)
Enhancing Large Language Models with Faster Code Preprocessing for Vulnerability Detection [0.0]
既存のSCoPEフレームワーク上に構築し、パフォーマンスを改善した拡張バージョンであるSCoPE2を導入します。 SCoPE2による処理時間を97.3%削減し,脆弱性検出のためのLarge Language Model(LLM)のF1スコアを改良した。
論文参考訳（メタデータ） (2025-05-08T19:00:11Z)
STEVE: A Step Verification Pipeline for Computer-use Agent Training [84.24814828303163]
STEVEは、コンピュータ使用エージェントトレーニングのためのステップ検証パイプラインである。 GPT-4oは、動作実行前後の画面に基づいて、軌跡の各ステップの正当性を検証するために使用される。我々のエージェントは、軌道内での正と負の両方の作用を利用して微調整を監督する。
論文参考訳（メタデータ） (2025-03-16T14:53:43Z)
SiriuS: Self-improving Multi-agent Systems via Bootstrapped Reasoning [21.94477076055433]
大規模言語モデル(LLM)を利用したマルチエージェントAIシステムは、複雑なタスクの解決にますます応用されている。マルチエージェントシステムのための自己改善型推論駆動最適化フレームワークであるSiriuSを紹介する。 SiriuSは、自己補正と自己再生の強化のために再利用可能なデータを生成しながら、マルチエージェントのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2025-02-07T09:33:44Z)
Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-24T09:09:20Z)
Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [117.94654815220404]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文参考訳（メタデータ） (2024-10-06T10:49:40Z)
AgentScope: A Flexible yet Robust Multi-Agent Platform [66.64116117163755]
AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。豊富な構文ツール、組み込みエージェントとサービス機能、アプリケーションのデモとユーティリティモニタのためのユーザフレンドリなインターフェース、ゼロコードプログラミングワークステーション、自動プロンプトチューニング機構により、開発とデプロイメントの両方の障壁は大幅に低下した。
論文参考訳（メタデータ） (2024-02-21T04:11:28Z)
C-Procgen: Empowering Procgen with Controllable Contexts [62.84544720338002]
C-Procgenは、Procgenベンチマーク上に拡張された環境スイートである。 16のゲームで200以上のユニークなゲームコンテキストにアクセスすることができる。
論文参考訳（メタデータ） (2023-11-13T13:07:48Z)
Towards Autonomous Cyber Operation Agents: Exploring the Red Case [3.805031560408777]
強化・深部強化学習(RL/DRL)がサイバーネットワーク運用のための自律エージェントの開発に応用されている(CyOps)。トレーニング環境は、エージェントが学び、達成することを目的とした、高い忠実度でCyOpsをシミュレートする必要があります。優れたシミュレータは、サイバー環境の極端な複雑さのために達成し難い。
論文参考訳（メタデータ） (2023-09-05T13:56:31Z)
CyGIL: A Cyber Gym for Training Autonomous Agents over Emulated Network Systems [3.2550963598419957]
CyGILは、ネットワークサイバー操作のためのエミュレートされたRLトレーニング環境の実験ベッドである。ステートレスな環境アーキテクチャを使用し、MITRE ATT&CKフレームワークを組み込んで、高品質なトレーニング環境を確立する。その包括的なアクションスペースとフレキシブルなゲームデザインにより、エージェントトレーニングは特定の高度な永続脅威(APT)プロファイルに集中することができる。
論文参考訳（メタデータ） (2021-09-07T20:52:44Z)
AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
論文参考訳（メタデータ） (2021-07-15T16:46:01Z)
Deep reinforcement learning for RAN optimization and control [6.964699504779571]
RANに関する強い前提やドメイン知識のないインテリジェントなコントローラの構築を目指しています。まず,実験室環境における閉ループ制御テストベッドRANを,最大規模の無線ベンダが提供したeNodeBを用いて構築する。次に、RANからの重要なパフォーマンス指標のライブフィードバックでトレーニングされた二重Qネットワークエージェントを構築します。
論文参考訳（メタデータ） (2020-11-09T18:02:52Z)
Optimising AI Training Deployments using Graph Compilers and Containers [0.0]
ディープニューラルネットワーク(DNN)やディープラーニング(DL)に基づくAIアプリケーションは、分析や音声認識といった問題の解決に成功したことで人気を集めている。我々はMODAKを導入し、コンテナ技術とAI用のグラフコンパイラをレビューする。
論文参考訳（メタデータ） (2020-08-26T16:58:32Z)
Improved Adversarial Training via Learned Optimizer [101.38877975769198]
対戦型トレーニングモデルの堅牢性を改善するための枠組みを提案する。共学習のパラメータモデルの重み付けにより、提案するフレームワークは、更新方向に対するロバスト性とステップの適応性を一貫して改善する。
論文参考訳（メタデータ） (2020-04-25T20:15:53Z)

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。