論文の概要: A Consensus-Bayesian Framework for Detecting Malicious Activity in Enterprise Directory Access Graphs

• arxiv url: http://arxiv.org/abs/2602.04027v1
• Date: Tue, 03 Feb 2026 21:33:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.279145
• Title: A Consensus-Bayesian Framework for Detecting Malicious Activity in Enterprise Directory Access Graphs
• Title（参考訳）: 企業ディレクトリアクセスグラフにおける不正行為検出のためのコンセンサス・ベイジアンフレームワーク
• Authors: Pratyush Uppuluri, Shilpa Noushad, Sajan Kumar,
• Abstract要約: 本研究は,ディレクトリアクセスグラフにおける悪意のあるユーザ動作を検出するための,コンセンサスに基づくベイズフレームワークを提案する。 マルチレベルインタラクショングラフ内で,ディレクトリをトピックとして,ユーザをエージェントとしてモデル化することにより,影響重み付けされた意見ダイナミクスを用いたアクセス進化をシミュレートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a consensus-based Bayesian framework to detect malicious user behavior in enterprise directory access graphs. By modeling directories as topics and users as agents within a multi-level interaction graph, we simulate access evolution using influence-weighted opinion dynamics. Logical dependencies between users are encoded in dynamic matrices Ci, and directory similarity is captured via a shared influence matrix W. Malicious behavior is injected as cross-component logical perturbations that violate structural norms of strongly connected components(SCCs). We apply theoretical guarantees from opinion dynamics literature to determine topic convergence and detect anomaly via scaled opinion variance. To quantify uncertainty, we introduce a Bayesian anomaly scoring mechanism that evolves over time, using both static and online priors. Simulations over synthetic access graphs validate our method, demonstrating its sensitivity to logical inconsistencies and robustness under dynamic perturbation.
• Abstract（参考訳）: 本研究は,企業ディレクトリアクセスグラフにおける悪意のあるユーザ動作を検出するための,コンセンサスに基づくベイズフレームワークを提案する。 マルチレベルインタラクショングラフ内で,ディレクトリをトピックとして,ユーザをエージェントとしてモデル化することにより,影響重み付けされた意見ダイナミクスを用いたアクセス進化をシミュレートする。 ユーザ間の論理的依存関係は動的行列 Ci にエンコードされ、ディレクトリの類似性は共有影響行列 W を介して取得される。 本稿では、意見力学文献から理論的保証を適用し、話題収束を判定し、スケールされた意見分散を通して異常を検出する。 不確実性を定量化するために,静的およびオンライン両方の先行手法を用いて,時間とともに進化するベイズ異常スコアリング機構を導入する。 合成アクセスグラフのシミュレーションにより, 動的摂動下での論理的不整合やロバスト性に対する感度を実証し, 本手法の有効性を検証した。

関連論文リスト

• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs [0.0]
  本稿では,グラフニューラルネットワークを用いたアダプティブ脅威検出フレームワークを提案する。 IAM監査パスから潜伏したユーザリソースのインタラクションパターンをリアルタイムで学習する。
  論文  参考訳（メタデータ） (2025-12-11T04:44:02Z)
• Counterfactual Forecasting of Human Behavior using Generative AI and Causal Graphs [6.101366026333068]
  本研究では,非現実的ユーザ行動予測のための新しい枠組みを提案する。 この方法は、ユーザインタラクション、採用メトリクス、製品機能間の関係をマッピングする因果グラフを作成する。 Webインタラクション、モバイルアプリケーション、eコマースのデータセットでテストされたこの手法は、従来の予測とアップリフトモデリングよりも優れています。
  論文  参考訳（メタデータ） (2025-11-09T19:41:43Z)
• DeceptionBench: A Comprehensive Benchmark for AI Deception Behaviors in Real-world Scenarios [57.327907850766785]
  現実的な現実のシナリオにまたがる騙しのキャラクタリゼーションは未解明のままである。 DeceptionBenchは、さまざまなドメインにまたがる認知傾向を体系的に評価する最初のベンチマークです。 本研究は,本質的な側面から,ユーザ満足度を優先する自己関心のエゴスティックな傾向を示すモデルや,サイコファンティックな行動を示すモデルについて検討する。 実世界のフィードバックダイナミクスのより現実的なシミュレーションを構築するために,持続的マルチターン相互作用ループを組み込んだ。
  論文  参考訳（メタデータ） (2025-10-17T10:14:26Z)
• Toward Causal-Visual Programming: Enhancing Agentic Reasoning in Low-Code Environments [6.0333285356716]
  Causal-Visual Programming (CVP)は、ワークフローモジュールのためのシンプルな"世界モデル"を、直感的にローコードインターフェースで定義することができる。 この因果グラフは、エージェントの推論プロセスにおいて重要な制約として機能し、その決定をユーザ定義因果構造に固定する。 CVPは、より解釈可能で信頼性があり、信頼できるAIエージェントを構築するための実行可能な道を提供する。
  論文  参考訳（メタデータ） (2025-09-29T08:01:31Z)
• Continuous Monitoring of Large-Scale Generative AI via Deterministic Knowledge Graph Structures [2.7277205894982095]
  そこで本研究では,決定論的・大規模言語モデル(LLM)生成知識グラフ(KG)を用いて,AIの信頼性を計測する手法を提案する。 i) 明示的な規則に基づく手法,辞書,構造化エンティティ関係抽出規則を用いて構築された決定論的KGと,(ii) ライブニュース記事などのリアルタイムデータストリームから動的にLLM生成したKGの2つのKGを構築する。 Instantiated Class Ratio(ICR)、Instantiated Property Ratio(IPR)、Class Instantiation(CI)など、いくつかの確立されたKG指標を用いる。
  論文  参考訳（メタデータ） (2025-09-04T03:34:49Z)
• GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
  GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。 システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
  論文  参考訳（メタデータ） (2023-09-12T04:21:30Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)

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。