論文の概要: AgentBnB: A Browser-Based Cybersecurity Tabletop Exercise with Large Language Model Support and Retrieval-Aligned Scaffolding

• arxiv url: http://arxiv.org/abs/2511.00265v1
• Date: Fri, 31 Oct 2025 21:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.70067
• Title: AgentBnB: A Browser-Based Cybersecurity Tabletop Exercise with Large Language Model Support and Retrieval-Aligned Scaffolding
• Title（参考訳）: AgentBnB: 大規模な言語モデルのサポートと検索アライメントを備えたブラウザベースのサイバーセキュリティタブレットエクササイズ
• Authors: Arman Anwar, Zefang Liu,
• Abstract要約: AgentBnBはブラウザベースのBackdoors & Breachesゲームの再イメージである。 このシステムは、キュレートされたコーパスを、現実的、概念的、手続き的、メタ認知的なスニペットに拡張する。 4人の大学院生を擁するソロプレイヤパイロットでは,参加者は物理的カードデッキに比べてエージェントベースのバージョンを使用する意思が大きかった。
• 参考スコア（独自算出の注目度）: 0.5013248430919223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional cybersecurity tabletop exercises (TTXs) provide valuable training but are often scripted, resource-intensive, and difficult to scale. We introduce AgentBnB, a browser-based re-imagining of the Backdoors & Breaches game that integrates large language model teammates with a Bloom-aligned, retrieval-augmented copilot (C2D2). The system expands a curated corpus into factual, conceptual, procedural, and metacognitive snippets, delivering on-demand, cognitively targeted hints. Prompt-engineered agents employ a scaffolding ladder that gradually fades as learner confidence grows. In a solo-player pilot with four graduate students, participants reported greater intention to use the agent-based version compared to the physical card deck and viewed it as more scalable, though a ceiling effect emerged on a simple knowledge quiz. Despite limitations of small sample size, single-player focus, and narrow corpus, these early findings suggest that large language model augmented TTXs can provide lightweight, repeatable practice without the logistical burden of traditional exercises. Planned extensions include multi-player modes, telemetry-driven coaching, and comparative studies with larger cohorts.
• Abstract（参考訳）: 従来のサイバーセキュリティテーブルトップエクササイズ(TTX)は、貴重なトレーニングを提供するが、スクリプト化され、リソース集約的で、スケールが難しいことが多い。 我々は,大規模な言語モデルチームメイトとブルーム対応の検索強化コピロ(C2D2)を統合したブラウザベースのBackdoors & Breachesゲームの再イメージであるAgentBnBを紹介する。 このシステムは、キュレートされたコーパスを、現実的、概念的、手続き的、メタ認知的なスニペットに拡張し、オンデマンドで認知的に標的とするヒントを提供する。 プロンプトを駆使したエージェントは、学習者の自信が増すにつれて徐々に衰退する足場はしごを使用する。 4人の大学院生によるソロプレイヤパイロットでは、参加者は物理的なカードデッキよりもエージェントベースのバージョンを使用する意思が強く、よりスケーラブルであるとみなしたが、天井効果は単純な知識クイズに現れていた。 小さいサンプルサイズ、シングルプレイヤー焦点、狭いコーパスの制限にもかかわらず、これらの早期発見は、大規模言語モデル拡張TTXは、伝統的な運動の論理的負担を伴わずに、軽量で反復的な練習を提供できることを示唆している。 計画された拡張には、マルチプレイヤーモード、テレメトリ駆動コーチング、より大きなコホートとの比較研究が含まれる。

関連論文リスト

• Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
  本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。 Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。 実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-27T17:43:51Z)
• Tevatron 2.0: Unified Document Retrieval Toolkit across Scale, Language, and Modality [74.59049806800176]
  このデモペーパーでは、Tevatronツールキットの重要な特徴、学界と産業の橋渡しについて取り上げている。 強い多言語・多モーダルな有効性を実現するための密集型検索器について紹介する。 私たちはOmniEmbedもリリースしています。私たちの知る限り、テキスト、画像ドキュメント、ビデオ、オーディオ検索を統一する最初の埋め込みモデルです。
  論文  参考訳（メタデータ） (2025-05-05T08:52:49Z)
• CLEFT: Language-Image Contrastive Learning with Efficient Large Language Model and Prompt Fine-Tuning [4.004641316826348]
  効率的な大言語モデルとファインチューニング(CLEFT)を併用した新しい言語画像コントラスト学習手法を提案する。 複数の胸部X線およびマンモグラフィーデータセットの最先端性能を示す。 提案手法は,既存のBERTエンコーダと比較して,トレーニング可能なモデル全体のサイズを39%削減し,トレーニング可能な言語モデルを4%に削減する。
  論文  参考訳（メタデータ） (2024-07-30T17:57:32Z)
• Battle of the Backbones: A Large-Scale Comparison of Pretrained Models across Computer Vision Tasks [139.3768582233067]
  Battle of the Backbones (BoB)は、ニューラルネットワークベースのコンピュータビジョンシステムのためのベンチマークツールである。 視覚変換器(ViT)と自己教師型学習(SSL)がますます人気になっている。 同じアーキテクチャと同じようなサイズの事前トレーニングデータセット上でのアップルとアプリケーションの比較では、SSLバックボーンは極めて競争力があることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T18:23:58Z)
• Population-based Evaluation in Repeated Rock-Paper-Scissors as a Benchmark for Multiagent Reinforcement Learning [14.37986882249142]
  簡単なゲームRock, Paper, Scissorsの繰り返しプレイに基づくマルチエージェント学習のためのベンチマークを提案する。 平均リターンとエクスプロイラビリティの両方に基づいて,エージェントの品質を測定するための指標について述べる。
  論文  参考訳（メタデータ） (2023-03-02T15:06:52Z)
• Few-shot Prompting Towards Controllable Response Generation [49.479958672988566]
  まず,モデルのパラメータにアクセスすることなく,モデル生成に対するプロンプトと強化学習(RL)の組み合わせについて検討した。 マルチタスク学習を適用して、モデルが新しいタスクをより良く一般化できるようにします。 実験の結果,提案手法はパラメータにアクセスすることなく,複数のSOTA(State-of-the-art)対話モデルを制御することができることがわかった。
  論文  参考訳（メタデータ） (2022-06-08T14:48:06Z)
• Applying supervised and reinforcement learning methods to create neural-network-based agents for playing StarCraft II [0.0]
  本稿では,汎用的な教師付き強化学習でトレーニングしたStarCraft IIのフル2プレーヤマッチングを実現するニューラルネットワークアーキテクチャを提案する。 本実装では,ゲーム内スクリプトボットと比較して,非自明な性能を実現している。
  論文  参考訳（メタデータ） (2021-09-26T20:08:10Z)
• Podracer architectures for scalable Reinforcement Learning [23.369001500657028]
  強化学習(RL)エージェントを大規模に訓練する方法はまだ活発な研究分野である。 このレポートでは、TPUはスケーラブルで効率的で再現性の高い方法でRLエージェントをトレーニングするのに特に適しています。
  論文  参考訳（メタデータ） (2021-04-13T15:05:35Z)

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。