論文の概要: Learning-to-Explain through 20Q Gaming: An Explainable Recommender for Cybersecurity Education
- arxiv url: http://arxiv.org/abs/2604.26964v1
- Date: Tue, 14 Apr 2026 14:22:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.250152
- Title: Learning-to-Explain through 20Q Gaming: An Explainable Recommender for Cybersecurity Education
- Title（参考訳）: 20Qゲームを通して学ぶ:サイバーセキュリティ教育のための説明可能なレコメンダ
- Authors: Mary Nusrat, Sarfuddin Bhuiyan, Gahangir Hossain,
- Abstract要約: 本記事は,「政策に基づく強化学習による20の質問ゲーム」と「学習と説明:Q20ゲームによる勧告推論決定」から引用する。
このフレームワークはポリシーベースの強化学習(RL)エージェントを使用し、ユーザを一連の質問を通じて誘導し、ターゲットとするサイバーセキュリティの概念、攻撃ベクター、防衛戦略を認識し、宣言する。
- 参考スコア（独自算出の注目度）: 0.6117371161379209
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The growing sophistication of contemporary cyber threats necessitates a more effective and adaptive approach to cybersecurity training. Intuitive and adaptive approaches to learning, which are often required, are not provided in traditional learning methods. In this article, we present a new educational framework, "Learning to Explain Cybersecurity with Q20 Game", based on explainable AI (XAI), an educational game to enhance interactivity in learning. We propose a novel, game-inspired framework - the Explainable Q20 Cybersecurity Recommender (EQ-20CR), that learns to elicit the minimal set of evidential facts needed to justify cybersecurity defensive action. By casting "Why should I execute this mitigation?" as a 20 questions (Q20) game, a policy-based reinforcement-learning (RL) agent actively queries an environment until it can both (i) recommend the optimal security education and (ii) explain that decision with a concise dialogue trace. The article draws from "Playing 20 Question Game with Policy-Based Reinforcement Learning" [1] and "Learning-to-Explain: Recommendation Reason Determination through Q20 Gaming" [2]. The framework uses a policy-based reinforcement learning (RL) agent that leads the user through a sequence of questions to recognize and articulate a targeted cybersecurity concept, attack vector, or defense strategy. Furthermore, users are gradually exposed to informative questions by the system, revealing complicated, structured way at an adaptive difficulty level. In this paper, we design the architecture, its application to various concepts of cybersecurity through illustrative case studies, and its transformative potential on the training and awareness of cybersecurity recommendations.
- Abstract（参考訳）: 現代のサイバー脅威の高度化は、サイバーセキュリティトレーニングに対するより効果的で適応的なアプローチを必要とする。
直感的かつ適応的な学習アプローチは、しばしば必要とされるが、伝統的な学習方法では提供されない。
本稿では,学習における対話性を高める教育ゲームである説明可能なAI(XAI)に基づく,新たな教育フレームワークである"Learning to Explain Cybersecurity with Q20 Game"を提案する。
我々は,サイバーセキュリティ対策を正当化するために必要な,最小限の事実を抽出することを学ぶ,ゲームに触発された新しいフレームワークである Explainable Q20 Cybersecurity Recommender (EQ-20CR) を提案する。
政策型強化学習(RL)エージェントは,「なぜこの緩和を行うべきか?」を20の質問(Q20)ゲームとして,その両方が可能な環境を積極的にクエリする。
(i)最適な安全保障教育を推奨し、
(二)簡潔な対話トレースでその決定を説明する。
本記事は,「政策に基づく強化学習による20の質問ゲーム」と「Q20ゲームによるレコメンデーション推論の学習」から引用する。
このフレームワークはポリシーベースの強化学習(RL)エージェントを使用し、ユーザを一連の質問を通じて誘導し、ターゲットとするサイバーセキュリティの概念、攻撃ベクター、防衛戦略を認識し、宣言する。
さらに、利用者は徐々にシステムによる情報的質問に晒され、適応的難易度において複雑で構造化された方法を明らかにする。
本稿では,アーキテクチャの設計,実証事例研究によるサイバーセキュリティのさまざまな概念への応用,およびサイバーセキュリティ勧告のトレーニングと認識に対する変革的可能性について述べる。
関連論文リスト
- Online inductive learning from answer sets for efficient reinforcement learning exploration [52.03682298194168]
エージェントポリシーの近似を説明可能な近似を表す論理規則の集合を学習するために,帰納的な解集合プログラムの学習を利用する。
次に、学習ルールに基づいて回答セット推論を行い、次のバッチで学習エージェントの探索をガイドします。
本手法は,初回トレーニングにおいても,エージェントが達成した割引リターンを著しく向上させる。
論文 参考訳（メタデータ） (2025-01-13T16:13:22Z) - Ontology-Aware RAG for Improved Question-Answering in Cybersecurity Education [13.838970688067725]
AIによる質問応答(QA)システムは、サイバーセキュリティの問題解決における不確実性を積極的に管理することができる。
大規模言語モデル(LLM)は、高度な言語理解とユーザエンゲージメントを提供するAI駆動のQAシステムで注目を集めている。
我々は,サイバーセキュリティ教育における信頼性および安全性の高いQAシステムを開発するための,オントロジー対応検索強化世代(RAG)アプローチであるCyberRAGを提案する。
論文 参考訳（メタデータ） (2024-12-10T21:52:35Z) - Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。
学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。
トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
論文 参考訳（メタデータ） (2024-07-03T15:38:57Z) - Game-Theoretic Cybersecurity: the Good, the Bad and the Ugly [5.715413347864052]
我々は,サイバーセキュリティに適用された既存業務の機能と前提を特徴付ける枠組みを開発する。
この情報を利用して提案されたモデルの能力を分析し、それらが提供しようとするアプリケーション固有のニーズと比較します。
我々の主な発見は、ゲーム理論が、考慮されているアプリケーションにとって重要な不確実性の概念をほとんど取り入れていないことである。
論文 参考訳（メタデータ） (2024-01-24T21:22:30Z) - Want to Raise Cybersecurity Awareness? Start with Future IT
Professionals [0.4893345190925178]
私たちの大学は、学生、従業員、一般大衆に無料でオンラインで利用できる革新的なサイバーセキュリティ意識コースを設計しました。
このコースは、誰でも防御対策を実施できるシンプルで実用的なステップを提供する。
コースの影響を測定するため, 強制情報セキュリティと暗号化のコースにおいて, コンピュータサイエンスの学部生138名を対象に実施した。
論文 参考訳（メタデータ） (2023-07-14T20:07:27Z) - Proceedings of the Artificial Intelligence for Cyber Security (AICS)
Workshop at AAAI 2022 [55.573187938617636]
ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。
サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
論文 参考訳（メタデータ） (2022-02-28T18:27:41Z) - Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the
Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。
我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。
攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文 参考訳（メタデータ） (2021-11-23T23:42:16Z) - Adversarial Machine Learning Attacks and Defense Methods in the Cyber
Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。
サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文 参考訳（メタデータ） (2020-07-05T18:22:40Z) - Experiences and Lessons Learned Creating and Validating Concept
Inventories for Cybersecurity [0.0]
サイバーセキュリティコンセプトインベントリ(サイバーセキュリティコンセプトインベントリ、CCI)は、サイバーセキュリティの第1コースを最近修了した学生向けである。
サイバーセキュリティカリキュラムアセスメント(サイバーセキュリティカリキュラムアセスメント、英: Cybersecurity Curriculum Assessment、CCA)は、サイバーセキュリティの学部課程を最近修了した学生のためのプログラムである。
各アセスメントツールは、同じ5つのコアコンセプトをターゲットにした様々な難題に関する25の多重選択質問(MCQ)から構成される。
論文 参考訳（メタデータ） (2020-04-10T22:40:04Z)
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。