論文の概要: RMSL: Weakly-Supervised Insider Threat Detection with Robust Multi-sphere Learning

• arxiv url: http://arxiv.org/abs/2508.11472v1
• Date: Fri, 15 Aug 2025 13:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.967507
• Title: RMSL: Weakly-Supervised Insider Threat Detection with Robust Multi-sphere Learning
• Title（参考訳）: RMSL:ロバストなマルチスフィアラーニングによる内部脅威検出
• Authors: Yang Wang, Yaxin Zhao, Xinyu Jiao, Sihan Xu, Xiangrui Cai, Ying Zhang, Xiaojie Yuan,
• Abstract要約: インサイダー脅威検出は、ユーザインタラクションを記録するログを分析することによって、悪意のあるユーザの振る舞いを特定することを目的としている。 教師なしの手法は、正常な行動と異常な行動のあいまいさにより、高い偽陽性率とミス率に直面している。 本稿では,行動レベルの異常の検出能力を高めるために,ロバスト多球学習(RMSL)と呼ばれる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.547623771406187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Insider threat detection aims to identify malicious user behavior by analyzing logs that record user interactions. Due to the lack of fine-grained behavior-level annotations, detecting specific behavior-level anomalies within user behavior sequences is challenging. Unsupervised methods face high false positive rates and miss rates due to the inherent ambiguity between normal and anomalous behaviors. In this work, we instead introduce weak labels of behavior sequences, which have lower annotation costs, i.e., the training labels (anomalous or normal) are at sequence-level instead of behavior-level, to enhance the detection capability for behavior-level anomalies by learning discriminative features. To achieve this, we propose a novel framework called Robust Multi-sphere Learning (RMSL). RMSL uses multiple hyper-spheres to represent the normal patterns of behaviors. Initially, a one-class classifier is constructed as a good anomaly-supervision-free starting point. Building on this, using multiple instance learning and adaptive behavior-level self-training debiasing based on model prediction confidence, the framework further refines hyper-spheres and feature representations using weak sequence-level labels. This approach enhances the model's ability to distinguish between normal and anomalous behaviors. Extensive experiments demonstrate that RMSL significantly improves the performance of behavior-level insider threat detection.
• Abstract（参考訳）: インサイダー脅威検出は、ユーザインタラクションを記録するログを分析することによって、悪意のあるユーザの振る舞いを特定することを目的としている。 詳細な振舞いレベルのアノテーションがないため、ユーザの振舞いシーケンス内の特定の振舞いレベルの異常を検出することは困難である。 教師なしの手法は、正常な行動と異常な行動のあいまいさにより、高い偽陽性率とミス率に直面している。 本研究では,行動レベルの異常の検出能力を高めるために,行動レベルの特徴を学習することで,行動レベルの異常の検出能力を向上するため,アノテーションコストの低下,すなわち,トレーニングラベル(異常または正常)が動作レベルではなくシーケンスレベルであるような行動系列の弱いラベルを導入する。 そこで我々は,ロバスト・マルチスフィア・ラーニング(RMSL)と呼ばれる新しいフレームワークを提案する。 RMSLは、動作の通常のパターンを表現するために複数の超球面を使用する。 最初は、一級分類器は良い異常なスーパービジョンのない出発点として構成される。 これに基づいて、複数のインスタンス学習とモデル予測の信頼性に基づく適応的行動レベルの自己学習バイアスを使用して、このフレームワークは、弱いシーケンスレベルラベルを使用して、ハイパースフィアと特徴表現をさらに洗練する。 このアプローチは、モデルが正常な振る舞いと異常な振る舞いを区別する能力を高める。 広範囲な実験により、RMSLは行動レベルのインサイダー脅威検出の性能を大幅に改善することが示された。

関連論文リスト

• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• User-Based Sequential Modeling with Transformer Encoders for Insider Threat Detection [0.005755004576310333]
  インサイダー脅威検出は、悪意のあるアクターの認定状態のために、ユニークな課題を提示する。 既存の機械学習メソッドは、ユーザアクティビティを独立したイベントとして扱うため、ユーザの振る舞いにおけるシーケンシャルな依存関係を活用できない。 本稿では,ユーザベースシーケンス法(UBS)手法を提案し,CERTインサイダー脅威データセットを深い逐次モデリングに適した構造化時間列に変換する。
  論文  参考訳（メタデータ） (2025-06-30T00:47:31Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification [10.112538318417103]
  異常検出のための自己教師付き学習と自己注意グラフ畳み込み(SLSG)に基づくネットワークを提案する。 SLSGは生成前トレーニングネットワークを使用して、エンコーダが通常のパターンの埋め込みと位置関係の推論を学ぶのを支援する。 ベンチマークデータセットの実験により、SLSGは優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-30T05:38:45Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Sequential Anomaly Detection using Inverse Reinforcement Learning [23.554584457413483]
  逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。 我々はニューラルネットワークを用いて報酬関数を表現し、学習された報酬関数を用いて、ターゲットエージェントからの新しい観察が正常なパターンに従うかどうかを評価する。 公開されている実世界のデータに関する実証研究は,本手法が異常の同定に有効であることを示している。
  論文  参考訳（メタデータ） (2020-04-22T05:17:36Z)

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。