Fugu-MT 論文翻訳(概要): Reinforcement Learning-based Threat Assessment

論文の概要: Reinforcement Learning-based Threat Assessment

arxiv url: http://arxiv.org/abs/2503.02612v1
Date: Tue, 04 Mar 2025 13:32:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:22:38.661012
Title: Reinforcement Learning-based Threat Assessment
Title（参考訳）: 強化学習に基づく脅威評価
Authors: Wuzhou Sun, Siyi Li, Qingxiang Zou, Zixing Liao,
Abstract要約: いくつかのゲームシナリオでは、敵部隊の脅威レベルの評価とスクリーニングが困難な研究課題となっている。本稿では、脅威評価の問題を強化学習問題に革新的に変換し、体系的な強化学習訓練を通じて、効率的なニューラルネットワーク評価器の構築に成功した。
参考スコア（独自算出の注目度）: 2.153670245679554
License:
Abstract: In some game scenarios, due to the uncertainty of the number of enemy units and the priority of various attributes, the evaluation of the threat level of enemy units as well as the screening has been a challenging research topic, and the core difficulty lies in how to reasonably set the priority of different attributes in order to achieve quantitative evaluation of the threat. In this paper, we innovatively transform the problem of threat assessment into a reinforcement learning problem, and through systematic reinforcement learning training, we successfully construct an efficient neural network evaluator. The evaluator can not only comprehensively integrate the multidimensional attribute features of the enemy, but also effectively combine our state information, thus realizing a more accurate and scientific threat assessment.
Abstract（参考訳）: いくつかのゲームシナリオでは、敵ユニット数の不確かさと様々な属性の優先度のため、敵ユニットの脅威レベルの評価とスクリーニングは困難な研究課題であり、脅威の定量的評価を達成するために、異なる属性の優先順位を合理的に設定する方法がコア課題となっている。本稿では、脅威評価の問題を強化学習問題に革新的に変換し、体系的な強化学習訓練を通じて、効率的なニューラルネットワーク評価器の構築に成功した。評価器は敵の多次元属性の特徴を包括的に統合するだけでなく、我々の状態情報を効果的に組み合わせることで、より正確で科学的脅威評価を実現する。

関連論文リスト

KGV: Integrating Large Language Models with Knowledge Graphs for Cyber Threat Intelligence Credibility Assessment [38.312774244521]
本稿では,CTI(Cyber Threat Intelligence)品質評価フレームワークの知識グラフに基づく検証手法を提案する。提案手法では,検証対象のOSCTIキークレームを自動的に抽出するLarge Language Models (LLM)を導入している。研究分野のギャップを埋めるために、異種情報源からの脅威情報評価のための最初のデータセットを作成し、公開しました。
論文参考訳（メタデータ） (2024-08-15T11:32:46Z)
Dynamic Vulnerability Criticality Calculator for Industrial Control Systems [0.0]
本稿では,動的脆弱性臨界計算機を提案する革新的な手法を提案する。本手法は, 環境トポロジの分析と, 展開されたセキュリティ機構の有効性を包含する。本手法では,これらの要因を総合的なファジィ認知マップモデルに統合し,攻撃経路を組み込んで全体の脆弱性スコアを総合的に評価する。
論文参考訳（メタデータ） (2024-03-20T09:48:47Z)
Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文参考訳（メタデータ） (2023-03-11T04:19:31Z)
A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文参考訳（メタデータ） (2023-02-28T04:26:20Z)
Deep-Attack over the Deep Reinforcement Learning [26.272161868927004]
敵攻撃の開発により強化学習がより脆弱になった本研究は,実効性と盗聴を自然に考慮し,強化学習に基づく攻撃フレームワークを提案する。また,これらの2つの側面において,攻撃モデルの性能を評価するための新しい指標を提案する。
論文参考訳（メタデータ） (2022-05-02T10:58:19Z)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-10-13T13:54:24Z)
Deep Learning for Insider Threat Detection: Review, Challenges and Opportunities [22.976960488191505]
高度なディープラーニング技術は、複雑なデータからエンドツーエンドモデルを学ぶための新しいパラダイムを提供する。既存の研究では、従来の機械学習アルゴリズムと比較して、ディープラーニングモデルはインサイダー脅威検出のパフォーマンスを向上させることが示されている。インサイダー脅威検出タスクをさらに進めるためのディープラーニングの適用は、ラベル付きデータの欠如やアダプティブアタックなど、いくつかの制限に直面している。
論文参考訳（メタデータ） (2020-05-25T22:48:01Z)
Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文参考訳（メタデータ） (2020-01-13T13:54:36Z)
Benchmarking Adversarial Robustness [47.168521143464545]
我々は、画像分類タスクにおける敵の堅牢性を評価するために、包括的で厳密でコヒーレントなベンチマークを確立する。評価結果に基づいて,いくつかの重要な知見を導き,今後の研究への洞察を提供する。
論文参考訳（メタデータ） (2019-12-26T12:37:01Z)

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。