論文の概要: Empowering Future Cybersecurity Leaders: Advancing Students through FINDS Education for Digital Forensic Excellence
- arxiv url: http://arxiv.org/abs/2603.00222v1
- Date: Fri, 27 Feb 2026 18:55:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.116693
- Title: Empowering Future Cybersecurity Leaders: Advancing Students through FINDS Education for Digital Forensic Excellence
- Title（参考訳）: 将来のサイバーセキュリティリーダーを育成する - FINDSによるデジタル法科学の卓越教育を通しての学生の育成
- Authors: Yashas Hariprasad, Subhash Gurappa, Sundararaj S. Iyengar, Jerry F. Miller, Pronab Mohanty, Naveen Kumar Chaudhary,
- Abstract要約: 本稿では,MCBSG(Multidependency Capacity Building Skills Graph)を紹介する。
MCBSGは、AIによる法科学プログラミング、統計推論、デジタルエビデンス処理、脅威検出の能力において、階層的およびクロスドメインの依存関係を符号化する。
3年間の統計的評価は, 法医学的正確性, 敵対的推論, およびHPCによる調査スキルにおいて有意な向上を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Forensics Investigations Network in Digital Sciences (FINDS) Research Center of Excellence (CoE), funded by the U.S. Army Research Laboratory, advances Digital Forensic Engineering Education (DFEE) through an integrated research education framework for AI enabled cybersecurity workforce development. FINDS combines high performance computing (HPC), secure software engineering, adversarial analytics, and experiential learning to address emerging cyber and synthetic media threats. This paper introduces the Multidependency Capacity Building Skills Graph (MCBSG), a directed acyclic graph based model that encodes hierarchical and cross domain dependencies among competencies in AI-driven forensic programming, statistical inference, digital evidence processing, and threat detection. The MCBSG enables structured modeling of skill acquisition pathways and quantitative capacity assessment. Supervised machine learning methods, including entropy-based Decision Tree Classifiers and regression modeling, are applied to longitudinal multi cohort datasets capturing mentoring interactions, laboratory performance metrics, curriculum artifacts, and workshop participation. Feature importance analysis and cross validation identify key predictors of technical proficiency and research readiness. Three year statistical evaluation demonstrates significant gains in forensic programming accuracy, adversarial reasoning, and HPC-enabled investigative workflows. Results validate the MCBSG as a scalable, interpretable framework for data-driven, inclusive cybersecurity education aligned with national defense workforce priorities.
- Abstract（参考訳）: 陸軍研究所が資金提供したFINDS (Forensics Investigations Network in Digital Sciences) Research Center of Excellence (CoE) は、サイバーセキュリティの労働力開発を可能にするAIのための総合的な研究教育フレームワークを通じて、Digital Forensic Engineering Education (DFEE) を推進している。
FINDSは、ハイパフォーマンスコンピューティング(HPC)、セキュアなソフトウェアエンジニアリング、敵対的分析、経験的学習を組み合わせて、新たなサイバーおよび合成メディア脅威に対処する。
本稿では,AIによる法医学的プログラミング,統計的推論,ディジタルエビデンス処理,脅威検出において,階層的およびクロスドメインの依存関係を符号化した非巡回グラフベースモデルであるMCBSGについて紹介する。
MCBSGは、スキル獲得経路の構造モデリングと量的キャパシティアセスメントを可能にする。
エントロピーベースの決定木分類器や回帰モデリングを含む機械学習手法を、メンタリングインタラクション、実験室のパフォーマンス指標、カリキュラムアーティファクト、ワークショップへの参加をキャプチャする縦多重コホートデータセットに適用する。
特徴重要度分析とクロスバリデーションは、技術的熟練度と研究準備の鍵となる予測因子を特定する。
3年間の統計的評価は、法医学的プログラミングの正確性、敵対的推論、およびHPC対応の調査ワークフローにおいて顕著な向上を示している。
結果は、MCCGを、国家防衛労働力の優先事項に沿った、データ駆動の包括的サイバーセキュリティ教育のためのスケーラブルで解釈可能なフレームワークとして評価する。
関連論文リスト
- Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - A Threat Intelligence Event Extraction Conceptual Model for Cyber Threat Intelligence Feeds [0.0]
サイバー脅威インテリジェンス(CTI)のデータ収集の効率は、堅牢なサイバーセキュリティの確保において最重要になっている。
既存の作業は、大量の多言語脅威データを前処理する上で重大な課題に遭遇し、リアルタイム脅威分析の不効率につながった。
本稿では,CTIデータ収集効率の向上を目的とした,現在の手法の体系的レビューを行う。
論文 参考訳（メタデータ） (2025-06-04T04:09:01Z) - Illusion or Algorithm? Investigating Memorization, Emergence, and Symbolic Processing in In-Context Learning [50.53703102032562]
大規模トランスフォーマー言語モデル(LM)は、Webスケールデータによる次世代の予測のみを訓練することで、幅広いタスクを解決できる。
この能力の背後にあるメカニズムは、ICL(In-context Learning)と呼ばれ、議論の余地があり、理解が不十分なままである。
論文 参考訳（メタデータ） (2025-05-16T08:50:42Z) - PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。
本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
論文 参考訳（メタデータ） (2025-05-08T18:15:38Z) - Integrating Graph Theoretical Approaches in Cybersecurity Education CSCI-RTED [0.0]
グラフ理論は、サイバーエコシステム内の関係をモデル化するための強力なフレームワークを提供する。
本稿では,グラフ理論の概念を取り入れたNSL-KDDデータセットの充実版を開発し,その実用的価値を高める。
論文 参考訳（メタデータ） (2025-04-23T19:08:30Z) - Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。
ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。
我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
論文 参考訳（メタデータ） (2025-02-18T02:26:50Z) - Bringing Order Amidst Chaos: On the Role of Artificial Intelligence in Secure Software Engineering [0.0]
進化を続ける技術的景観は、機会と脅威の両方を提供し、カオスと秩序が競合する動的な空間を作り出す。
セキュアなソフトウェアエンジニアリング(SSE)は、ソフトウェアシステムを危険にさらす脆弱性に継続的に対処しなければならない。
この論文は、AIの精度に影響を与えるドメイン固有の違いに対処することで、SSEのカオスに秩序をもたらすことを目指している。
論文 参考訳（メタデータ） (2025-01-09T11:38:58Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - KGV: Integrating Large Language Models with Knowledge Graphs for Cyber Threat Intelligence Credibility Assessment [38.312774244521]
サイバー脅威インテリジェンス(サイバー脅威インテリジェンス、CTI)は、高度で組織化され、兵器化されたサイバー攻撃を防ぐ重要なツールである。
本稿では,大規模言語モデル (LLM) と単純な構造化知識グラフ (KG) を統合し,CTIの信頼性自動評価を行う最初のフレームワークである知識グラフベース検証(KGV)を提案する。
実験の結果,我々のKGVはCTI-200データセット上で最先端の事実推論手法より優れており,F1は5.7%向上していることがわかった。
論文 参考訳（メタデータ） (2024-08-15T11:32:46Z) - Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection [0.5475886285082937]
本研究では,機械学習技術を用いたマルウェア検出の徹底的な検討を行う。
その目的は、脅威をより効果的に識別し緩和することで、サイバーセキュリティの能力を向上させることである。
論文 参考訳（メタデータ） (2024-03-04T17:22:43Z) - It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。
現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。
本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文 参考訳（メタデータ） (2023-12-27T10:44:58Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - A Review of Topological Data Analysis for Cybersecurity [1.0878040851638]
トポロジカルデータ解析(TDA)は、代数的トポロジの技法を用いて、データの高レベル構造を研究する。
我々は、サイバーセキュリティデータサイエンスを改善する強力な可能性を持つ、有望な新しい領域について、研究者に強調したい。
論文 参考訳（メタデータ） (2022-02-16T13:03:52Z)
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。