論文の概要: Risk Models as Mediating Artifacts: A Postphenomenological Analysis of the CIIM Framework in Cybersecurity Practice
- arxiv url: http://arxiv.org/abs/2604.22866v1
- Date: Thu, 23 Apr 2026 15:33:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.010195
- Title: Risk Models as Mediating Artifacts: A Postphenomenological Analysis of the CIIM Framework in Cybersecurity Practice
- Title（参考訳）: アーティファクトの媒介としてのリスクモデル--サイバーセキュリティ実践におけるCIIMフレームワークの現象学的分析
- Abstract要約: この記事では、フォーマルなリスクモデルは、セキュリティ実践者がどのように認識し、解釈し、脅威に対処するかを形作るアーティファクトを仲介するものとして機能する、と論じます。
人間の技術関係に関するDon Ihdeの分類とPeter-Paul Verbeek氏の拡張媒介フレームワークに基づいて、コンテキストおよびマルチモーダルハザードインパクト指標(CIIM)を分析した。
LSTM/GRU,XGBoost,Reinforcement Learningを組み合わせたCIIMの時間予測(t+1)とそのハイブリッド機械学習アーキテクチャが,新たな技術的意図を生み出すかを検討する。
- 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 article applies postphenomenological theory to the field of cybersecurity risk management, arguing that formal risk models function as mediating artifacts that shape how security practitioners or analysts perceive, interpret, and act on threats. Based on Don Ihde's taxonomy on human-technology relationships and Peter-Paul Verbeek's extended mediational framework, the Contextual and Multimodal Hazard Impact Index (CIIM), an original dynamic risk model presented as an empirical case study, is analyzed. CIIM is formally defined as CIIM(t+1) = [A T(t) V(t) E(t)] / R(t) + {alpha} P(t), where the condition R(t) 0 is not treated as a computational artifact to be smoothed out, but as a genuine systemic collapse that signals singularity. This design choice constitutes a deliberate phenomenological move, allowing organizational fragility to be made visible in a way that previous CVSS-based and probabilistic models conceal. In addition, we examine how CIIM's time projection (t+1) and its hybrid machine learning architecture, combining LSTM/GRU, XGBoost, and Reinforcement Learning, produce a new form of technological intentionality that structures practitioner or analyst attention and ethical deliberation. The article concludes by establishing implications for the ethical design of cybersecurity instrumentation and for the post-phenomenological methodology itself, proposing the concept of 'phenomenology of collapse' as a contribution to the empirical philosophy of technology.
- Abstract（参考訳）: 本稿では,サイバーセキュリティリスクマネジメントの分野において,セキュリティ実践者やアナリストがどのように認識し,解釈し,脅威に対して行動するかを形作るアーティファクトを媒介する形式的リスクモデルについて論じる。
人間の技術関係に関するDon Ihdeの分類とPeter-Paul Verbeek氏の拡張媒介枠組みに基づいて、経験的ケーススタディとして提示されたオリジナルの動的リスクモデルであるContextual and Multimodal Hazard Impact Index (CIIM)を分析した。
CIIM は正式に CIIM(t+1) = [A T(t) V(t)] / R(t) + {alpha} P(t) と定義され、条件 R(t) 0 は計算アーチファクトとして扱われず、特異性を信号する真の体系的崩壊として扱われる。
この設計選択は、意図的な現象学的な動きを構成しており、従来のCVSSベースの確率論的モデルが隠蔽される方法で、組織的脆弱性を可視化することができる。
さらに,CIIMの時間予測(t+1)と,LSTM/GRU,XGBoost,Reinforcement Learningを組み合わせたハイブリッド機械学習アーキテクチャが,実践者やアナリストの注意や倫理的考察を構造化する新たな技術的意図をいかに生み出すかを検討する。
この論文は、サイバーセキュリティ機器の倫理設計とポストフェノメロジカル方法論自体の意義を確立し、テクノロジーの実証哲学への貢献として「崩壊のフェノメノロジー」の概念を提唱することで締めくくっている。
関連論文リスト
- CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。
ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。
CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文 参考訳（メタデータ） (2026-07-13T12:58:28Z) - MAECO-Lite: Modular Ontology for Dynamic Malware Analysis [0.0]
MAECとSTIXは、マルウェアのアーティファクトと観察を記述するために広く採用されている語彙を提供する。
永続的なマルウェアのアーティファクトを、実行中に生成されたイベントと区別する傾向がある。
動的マルウェア解析のためのデータ表現と処理の運用を目的とした軽量オントロジーであるMAECO-Liteを提案する。
論文 参考訳（メタデータ） (2026-05-29T12:08:07Z) - Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - Information as Maximum-Caliber Deviation: A bridge between Integrated Information Theory and the Free Energy Principle [51.56484100374058]
この研究は、情報が有限時間地平線上の制約付き最大曲率(MaxCal)パスアンサンブルから実現された力学の偏差$$$として定義されることを示唆している。
この定義の下では、IIT 3.0の中心となる原因/影響レパートリーは、MaxCalの変分原理から直接現れる。
情報$$は、付随する予測符号化モデルの下での予測誤差と同値である。
論文 参考訳（メタデータ） (2026-05-03T07:22:55Z) - Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
生成モデリングはタンパク質研究の中心的なパラダイムとなっている。
この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
論文 参考訳（メタデータ） (2026-03-27T13:02:16Z) - Towards Worst-Case Guarantees with Scale-Aware Interpretability [58.519943565092724]
ニューラルネットワークは、自然データの階層的多スケール構造に従って情報を整理する。
我々は,形式機械と解釈可能性ツールを開発するための統一的な研究課題,即時対応型解釈可能性(enmphscale-aware interpretability)を提案する。
論文 参考訳（メタデータ） (2026-02-05T01:22:31Z) - Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。
本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
論文 参考訳（メタデータ） (2026-01-20T18:46:42Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Introduction to Symbolic Regression in the Physical Sciences [0.41998444721319217]
記号回帰は、データから解釈可能な数学的関係を明らかにする強力な方法として登場した。
本稿は,2025年4月に開催された王立協会の討論会をモチベーションとした,物理科学の象徴的回帰に関する特集を紹介する。
論文 参考訳（メタデータ） (2025-12-17T19:32:50Z) - Information Science Principles of Machine Learning: A Causal Chain Meta-Framework Based on Formalized Information Mapping [7.299890614172539]
本研究は、機械学習における重要な課題、すなわち、統一的な形式的理論的枠組みの欠如と、モデル解釈可能性と倫理的安全性に関する基礎理論の欠如に対処する。
まず、一般的な機械学習段階における存在論的状態とキャリアマッピングを明確に定義し、形式的な情報モデルを構築する。
学習可能な述語と処理可能な述語を導入し、学習と処理機能を導入することにより、機械学習プロセスを管理する因果連鎖論理と制約法を解析する。
論文 参考訳（メタデータ） (2025-05-19T14:39:41Z) - Modeling Interdependent Cybersecurity Threats Using Bayesian Networks: A Case Study on In-Vehicle Infotainment Systems [0.0]
本稿では,サイバーセキュリティリスクモデリングにおけるベイズネットワーク(BN)の適用について概説する。
In-Vehicle Infotainment (IVI)システムのためのSTRIDEベースの攻撃木をBNに変換するケーススタディを示す。
論文 参考訳（メタデータ） (2025-05-14T01:04:45Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。
シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。
我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
論文 参考訳（メタデータ） (2023-09-16T09:15:37Z)
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。