論文の概要: Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations

• arxiv url: http://arxiv.org/abs/2604.02360v1
• Date: Fri, 20 Mar 2026 21:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.527828
• Title: Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations
• Title（参考訳）: AIでAIと戦う - 学生評価におけるLLMサービスのAIベースのDNSブロック
• Abstract要約: AIエージェント拡張DNSベースのフレームワークであるAI-Sinkholeを紹介する。 予知試験中に出現する大規模言語モデル(LLM)を動的に発見し、意味的に分類し、一時的にネットワーク全体にわたってブロックする。 量子化LDM(LLama 3, DeepSeek-R1, Qwen-3)と、Pi-Holeによる動的DNSブロッキングによる説明可能な分類を提供する。
• 参考スコア（独自算出の注目度）: 1.9980992066460264
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The transformative potential of large language models (LLMs) in education, such as improving accessibility and personalized learning, is being eclipsed by significant challenges. These challenges stem from concerns that LLMs undermine academic assessment by enabling bypassing of critical thinking, leading to increased cognitive offloading. This emerging trend stresses the dual imperative of harnessing AI's educational benefits while safeguarding critical thinking and academic rigor in the evolving AI ecosystem. To this end, we introduce AI-Sinkhole, an AI-agent augmented DNS-based framework that dynamically discovers, semantically classifies, and temporarily network-wide blocks emerging LLM chatbot services during proctored exams. AI-Sinkhole offers explainable classification via quantized LLMs (LLama 3, DeepSeek-R1, Qwen-3) and dynamic DNS blocking with Pi-Hole. We also share our observations in using LLMs as explainable classifiers which achieved robust cross-lingual performance (F1-score > 0.83). To support future research and development in this domain initial codes with a readily deployable 'AI-Sinkhole' blockist is available on https://github.com/AIMLEdu/ai-sinkhole.
• Abstract（参考訳）: アクセシビリティやパーソナライズドラーニングの改善など、教育における大きな言語モデル(LLM)の変革的ポテンシャルは、重大な課題によって誇張されている。 これらの課題は、LLMが批判的思考をバイパスすることで学術的評価を損なうという懸念から来ており、認知的オフロードの増加につながっている。 この新興トレンドは、進化するAIエコシステムにおいて、批判的思考と学術的厳密さを守りながら、AIの教育的利益を活用するという二重の衝動を強調している。 この目的のために、AIエージェントによる拡張DNSベースのフレームワークであるAI-Sinkholeを導入し、事前試験中に出現するLLMチャットボットサービスを動的に発見し、セマンティックに分類し、一時的にネットワーク全体にわたってブロックする。 AI-Sinkholeは、量子化LDM(LLama 3, DeepSeek-R1, Qwen-3)と、Pi-Holeによる動的DNSブロッキングによる説明可能な分類を提供する。 また,LLMをロバストな言語間性能(F1-score > 0.83)を実現するための説明可能な分類器として用いる際の観察結果を共有した。 このドメインで将来の研究と開発をサポートするため、'AI-Sinkhole'ブロッカーをデプロイ可能な初期コードはhttps://github.com/AIMLEdu/ai-sinkholeで利用可能である。

関連論文リスト

• Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
  フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。 まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。 低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
  論文  参考訳（メタデータ） (2026-03-02T11:26:56Z)
• Mitigating "Epistemic Debt" in Generative AI-Scaffolded Novice Programming using Metacognitive Scripts [0.0]
  制限のないAIは、初心者にスキーマ形成に必要な固有の認知負荷をアウトソースするように促す。 成功しているビブコーダが自然に自己スケーリングを行い、契約者ではなくコンサルタントとしてAIを扱います。 今後の学習システムは,保守不能なコードの大量生産を防止するためにメタ認知摩擦を強制する必要がある。
  論文  参考訳（メタデータ） (2026-02-22T21:25:04Z)
• Embodied AI: From LLMs to World Models [65.68972714346909]
  人工知能(AI)は、人工知能(AGI)を実現するためのインテリジェントシステムパラダイムである。 近年のLarge Language Models(LLMs)とWorld Models(WMs)のブレークスルーは、AIを具現化する上で大きな注目を集めている。
  論文  参考訳（メタデータ） (2025-09-24T11:37:48Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• Large Language Models for Network Intrusion Detection Systems: Foundations, Implementations, and Future Directions [7.478562842905953]
  大規模言語モデル (LLM) は、人間のようなテキストを理解し、処理し、生成する能力で様々な分野に革命をもたらした。 本稿では,ネットワーク侵入検知システム(NIDS)の進展におけるLCMの可能性について検討し,現状の課題,方法論,今後の可能性について考察する。
  論文  参考訳（メタデータ） (2025-07-07T08:28:07Z)
• LLMpatronous: Harnessing the Power of LLMs For Vulnerability Detection [0.0]
  脆弱性検出のための大規模言語モデル(LLM)には、ユニークな課題がある。 脆弱性検出に機械学習モデルを使用した以前の試みは、効果がないことが証明されている。 我々は、これらの制限を緩和することに焦点を当てた、堅牢なAI駆動アプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-25T15:30:40Z)
• Can We Trust AI Agents? A Case Study of an LLM-Based Multi-Agent System for Ethical AI [10.084913433923566]
  AIベースのシステムは、多様なタスクをサポートすることによって数百万に影響を及ぼすが、誤情報、偏見、誤用といった問題に直面している。 本研究では,Large Language Models (LLM) を用いたAI倫理の実践について検討する。 エージェントがAIインシデントデータベースから現実のAI倫理問題に関する構造化された議論を行うプロトタイプを設計する。
  論文  参考訳（メタデータ） (2024-10-25T20:17:59Z)
• Using AI Alignment Theory to understand the potential pitfalls of regulatory frameworks [55.2480439325792]
  本稿では、欧州連合の人工知能法(EU AI法)を批判的に検討する。 人工知能における技術的アライメントの潜在的な落とし穴に焦点を当てたアライメント理論(AT)研究からの洞察を利用する。 これらの概念をEU AI Actに適用すると、潜在的な脆弱性と規制を改善するための領域が明らかになる。
  論文  参考訳（メタデータ） (2024-10-10T17:38:38Z)
• BadRobot: Jailbreaking Embodied LLMs in the Physical World [20.96351292684658]
  Embodied AIは、AIが物理的エンティティに統合されるシステムを表す。 大きな言語モデル(LLM)は強力な言語理解能力を示す。 我々は,従来の音声ベースのユーザシステムインタラクションを通じて,LLMを安全性や倫理的制約に違反させることを目的とした,新たな攻撃パラダイムであるBadRobotを紹介した。
  論文  参考訳（メタデータ） (2024-07-16T13:13:16Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• Learning to Prompt in the Classroom to Understand AI Limits: A pilot study [35.06607166918901]
  大規模言語モデル(LLM)と、ChatGPTのような派生したチャットボットは、AIシステムの自然言語処理能力を大幅に改善した。 しかし、AI手法が顕著な貢献を示しているにもかかわらず、興奮は否定的な感情を引き起こしている。 パイロット教育は21人の生徒を抱えた高校で実施された。
  論文  参考訳（メタデータ） (2023-07-04T07:51:37Z)
• Two Decades of AI4NETS-AI/ML for Data Networks: Challenges & Research Directions [4.9469703779632415]
  人工知能(AI)と、AIへのアプローチとしての機械学習(ML)の人気は、ここ数年で劇的に増加している。 ネットワークを学習エージェントにしようとする試みは多いが、ネットワークにおけるAI/MLの適用の成功は限られている。 AI/MLベースのソリューションには強い抵抗があり、広範な学術研究と実際のデプロイメントとの間には大きなギャップがある。
  論文  参考訳（メタデータ） (2020-03-03T00:36:17Z)

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。