論文の概要: Modeling Sparse and Bursty Vulnerability Sightings: Forecasting Under Data Constraints

• arxiv url: http://arxiv.org/abs/2604.16038v1
• Date: Fri, 17 Apr 2026 13:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.928163
• Title: Modeling Sparse and Bursty Vulnerability Sightings: Forecasting Under Data Constraints
• Title（参考訳）: スパースとバースティ脆弱性の指標のモデル化:データ制約下での予測
• Authors: Cedric Bonhomme, Alexandre Dulaunoy,
• Abstract要約: 概念実証リリース、検出テンプレート、オンラインディスカッションなどの脆弱性発見は、時間とともに予測できる。 我々は、脆弱性ごとの目撃の短期予測のためのいくつかのアプローチを評価する。 ポアソン回帰のようなカウントベースの手法はより安定で解釈可能な予測を生成する。
• 参考スコア（独自算出の注目度）: 46.07145155913717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and anticipating vulnerability-related activity is a major challenge in cyber threat intelligence. This work investigates whether vulnerability sightings, such as proof-of-concept releases, detection templates, or online discussions, can be forecast over time. Building on our earlier work on VLAI, a transformer-based model that predicts vulnerability severity from textual descriptions, we examine whether severity scores can improve time-series forecasting as exogenous variables. We evaluate several approaches for short-term forecasting of sightings per vulnerability. First, we test SARIMAX models with and without log(x+1) transformations and VLAI-derived severity inputs. Although these adjustments provide limited improvements, SARIMAX remains poorly suited to sparse, short, and bursty vulnerability data. In practice, forecasts often produce overly wide confidence intervals and sometimes unrealistic negative values. To better capture the discrete and event-driven nature of sightings, we then explore count-based methods such as Poisson regression. Early results show that these models produce more stable and interpretable forecasts, especially when sightings are aggregated weekly. We also discuss simpler operational alternatives, including exponential decay functions for short forecasting horizons, to estimate future activity without requiring long historical series. Overall, this study highlights both the potential and the limitations of forecasting rare and bursty cyber events, and provides practical guidance for integrating predictive analytics into vulnerability intelligence workflows.
• Abstract（参考訳）: 脆弱性に関連する活動を理解し予測することは、サイバー脅威インテリジェンスにおける大きな課題である。 本研究は,概念実証リリースや検出テンプレート,オンラインディスカッションなどの脆弱性発見が,時間とともに予測可能かどうかを検討する。 テキスト記述から脆弱性の重大度を予測するトランスフォーマーモデルであるVLAIに関する以前の研究に基づいて、重大度スコアが異種変数としての時系列予測を改善することができるかどうかを検討する。 我々は、脆弱性ごとの目撃の短期予測のためのいくつかのアプローチを評価する。 まず、log(x+1)変換とVLAI由来の重大度入力でSARIMAXモデルをテストする。 これらの調整は限られた改善を提供するが、SARIMAXはスパース、ショート、バーストの脆弱性データには適していない。 実際には、予測はしばしば非常に広い信頼区間と、時には非現実的な負の値を生成する。 視覚の離散性や事象駆動性をよりよく捉えるため、ポアソン回帰のようなカウントベースの手法を探索する。 初期の結果は、これらのモデルの方がより安定し、解釈可能な予測を生み出すことを示しており、特に視界が週に1回集計されている場合である。 我々はまた、長期の履歴列を必要とせずに将来の活動を予測するために、短い予測地平線に対する指数的減衰関数を含むより単純な運用上の選択肢についても論じる。 本研究は,レアおよびバーストのサイバー事象を予測する可能性と限界の両方を強調し,予測分析を脆弱性情報ワークフローに統合するための実践的なガイダンスを提供する。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Improving Time Series Forecasting via Instance-aware Post-hoc Revision [44.90322487625981]
  時系列予測は、様々な現実世界の応用において重要な役割を果たす。 近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。 本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:56:41Z)
• Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications [0.0]
  我々は、生存に基づくモデルにおいて、予測的乗法が重要な関心事であると考えている。 あいまいさ、不明瞭さ、不明瞭さという形式的な尺度を導入し、それを定量化します。 これは特にメンテナンススケジューリングなどの下流タスクに関係している。
  論文  参考訳（メタデータ） (2025-04-16T15:04:00Z)
• A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。