論文の概要: AI Native Asset Intelligence

• arxiv url: http://arxiv.org/abs/2605.09115v2
• Date: Tue, 12 May 2026 17:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 18:21:07.010544
• Title: AI Native Asset Intelligence
• Title（参考訳）: AIネイティブアセットインテリジェンス
• Authors: Gal Engelberg, Leon Goldberg, Konstantin Koutsyi, Boris Plotnikov, Tiltan Gilat, Ben Benhemo,
• Abstract要約: 本稿では,異質なセキュリティデータを一貫性,コンテキスト,積極的な資産レベルの推論のために構造化されたインテリジェンス層に変換するフレームワークであるAIネイティブアセットインテリジェンスを紹介する。 このフレームワークは、アセット、アイデンティティ、リレーション、コントロール、アタックベクター、ブラスト・ラディウス・パターンを表すモデリング層と、断片化された信号を正常化されたアセット重要度尺度に変換するスコア層を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.39583175274885346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern security environments generate fragmented signals across cloud resources, identities, configurations, and third-party security tools. Although AI-native security assistants improve access to this data, they remain largely reactive: users must ask the right questions and interpret disconnected findings. This does not scale in enterprise environments, where signal importance depends on exposure, exploitability, dependencies, and business context. Repeated AI queries may therefore produce unstable prioritization without a structured basis for comparing assets. This paper introduces AI-native asset intelligence, a framework that transforms heterogeneous security data into a structured intelligence layer for consistent, contextual, and proactive asset-level reasoning. The framework combines a modeling layer, representing assets, identities, relationships, controls, attack vectors, and blast-radius patterns, with a scoring layer that converts fragmented signals into a normalized measure of asset importance. The scoring system separates intrinsic exposure, based on misconfigurations and attack-vector evidence, from contextual importance, based on anomaly, blast radius, business criticality, and data criticality. AI contextualization refines severity and business/data classifications, while deterministic aggregation preserves consistency. We evaluate the scoring system on a production snapshot with 131,625 resources across 15 vendors and 178 asset types. Sensitivity analyses and ablations show that severity mappings control finding sensitivity, AI severity adjustment refines prioritization, attack-vector scoring responds to rare exploitability evidence, and contextual modulation selectively modifies exposed resources based on business or data importance. The results support AI-native asset intelligence as a foundation for stable prioritization and proactive security-posture reasoning.
• Abstract（参考訳）: 現代のセキュリティ環境は、クラウドリソース、ID、設定、サードパーティのセキュリティツールにまたがる断片化された信号を生成する。 AIネイティブなセキュリティアシスタントは、このデータへのアクセスを改善するが、それらは主にリアクティブである。 信号の重要性は、露出、エクスプロイラビリティ、依存関係、ビジネスコンテキストに依存する。 したがって、繰り返しAIクエリは、アセットを比較するための構造化された基盤なしで不安定な優先順位付けを生成する可能性がある。 本稿では,異質なセキュリティデータを一貫性,コンテキスト,積極的な資産レベルの推論のために構造化されたインテリジェンス層に変換するフレームワークであるAIネイティブアセットインテリジェンスを紹介する。 このフレームワークは、アセット、アイデンティティ、リレーション、コントロール、アタックベクター、ブラスト・ラディウス・パターンを表すモデリング層と、断片化された信号を正規化されたアセット重要度尺度に変換するスコア層を組み合わせる。 スコアリングシステムは、設定ミスと攻撃ベクトルの証拠に基づく固有の露出を、異常、爆発半径、ビジネス臨界、およびデータ臨界に基づく文脈的重要性から分離する。 AIの文脈化は重大さとビジネス/データの分類を洗練させ、決定論的集約は一貫性を保つ。 我々は15のベンダーと178のアセットタイプで131,625のリソースを生産スナップショットで評価した。 感度分析と改善により、重度マッピングは感度の発見を制御し、AIの重度調整は優先順位付けを洗練し、アタックベクタースコアリングは稀なエクスプロイラビリティの証拠に反応し、コンテキスト変調はビジネスやデータの重要性に基づいて露出したリソースを選択的に修正する。 結果は、安定した優先順位付けと積極的なセキュリティ姿勢推論の基盤として、AIネイティブなアセットインテリジェンスをサポートする。

関連論文リスト

• Position: Safety and Fairness in Agentic AI Depend on Interaction Topology, Not on Model Scale or Alignment [1.8124703841795666]
  エージェントAIでは、安全性はモデルウェイトではなく相互作用トポロジーによって決定される。 より有能なモデルへのスケーリングは、コンセンサスの形成を増やすことでこれらの効果を強化する。 エージェントAIは、整列したコンポーネントの集合ではなく、動的システムとして扱われなければならない、と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-01T22:49:10Z)
• FSFM: A Biologically-Inspired Framework for Selective Forgetting of Agent Memory [11.729108742234416]
  リソース制約のある環境では、よく設計された忘れるメカニズムは、記憶し、3次元にわたって利益をもたらすのと同じくらい重要である。 我々の枠組みは, 受動減衰に基づく, アクティブ削除に基づく, 安全トリガーによる, 適応強化に基づく, 忘れる機構の分類を定めている。 その結果、アクセス効率(+8.49%)、コンテンツ品質(+29.2%)、セキュリティパフォーマンス(100%セキュリティリスクの排除)など、大幅な改善が見られた。
  論文  参考訳（メタデータ） (2026-04-22T07:55:22Z)
• Lost in the Noise: How Reasoning Models Fail with Contextual Distractors [57.31788955167306]
  推論モデルとエージェントAIシステムの最近の進歩は、多様な外部情報への依存度を高めている。 NoisyBenchは、RAGの11のデータセット、推論、アライメント、ツール使用タスクに対して、モデルロバスト性を体系的に評価する包括的なベンチマークである。 評価の結果,文脈的障害に直面した場合,最先端モデルでは最大80%の破滅的な性能低下がみられた。
  論文  参考訳（メタデータ） (2026-01-12T05:43:51Z)
• Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs [0.0]
  本稿では,グラフニューラルネットワークを用いたアダプティブ脅威検出フレームワークを提案する。 IAM監査パスから潜伏したユーザリソースのインタラクションパターンをリアルタイムで学習する。
  論文  参考訳（メタデータ） (2025-12-11T04:44:02Z)
• Information Retrieval Induced Safety Degradation in AI Agents [52.15553901577888]
  本研究では,検索アクセスの拡大がモデル信頼性,バイアス伝搬,有害コンテンツ生成に与える影響について検討した。 整列 LLM 上に構築された検索可能なエージェントは、検索なしでの無検閲モデルよりも安全でない振る舞いをすることが多い。 これらの発見は、検索可能でますます自律的なAIシステムの公正性と信頼性を確保するための堅牢な緩和戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-05-20T11:21:40Z)
• VulRG: Multi-Level Explainable Vulnerability Patch Ranking for Complex Systems Using Graphs [20.407534993667607]
  この作業では、脆弱性パッチの優先順位付けのためのグラフベースのフレームワークを導入している。 多様なデータソースとメトリクスを普遍的に適用可能なモデルに統合する。 洗練されたリスクメトリクスは、コンポーネント、アセット、システムレベルの詳細な評価を可能にします。
  論文  参考訳（メタデータ） (2025-02-16T14:21:52Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)

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。