論文の概要: MV-Gate: Insider Threat Detection via Multi-View Behavioral Statistics and Semantic Modeling

• arxiv url: http://arxiv.org/abs/2605.17761v1
• Date: Mon, 18 May 2026 02:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.596694
• Title: MV-Gate: Insider Threat Detection via Multi-View Behavioral Statistics and Semantic Modeling
• Title（参考訳）: MVゲート:多視点行動統計と意味モデリングによる内部脅威検出
• Authors: Kaichuan Kong, Dongjie Liu, Xiaobo Jin, Guanggang Geng,
• Abstract要約: 本稿では,統計正規性とシーケンス意味論を統合する行動モデリングフレームワークMV-Gateを提案する。 異常認識型計算ゲーティング機構は、これらの統計ビューを注意に注入し、エンコーダに統計的に不規則な事象を強調するよう指示する。
• 参考スコア（独自算出の注目度）: 9.029887829076866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Insider threats often reveal early anomalies through disruptions in behavioral statistics-such as altered recurrence patterns or short-versus long-term frequency shifts-rather than changes in event semantics. Yet, as the field has shifted from statistical modeling to log tokenization and deep sequential encoders, these statistical cues are weakened or lost, leaving current models insensitive to gradual and low-visibility insider behaviors.We propose MV-Gate, a multi-view behavior modeling framework that explicitly integrates statistical regularities with sequence semantics. MV-Gate constructs three aligned behavioral sequences: activity tokens, multi-scale status signals capturing recurrence patterns, and frequency-deviation signals describing short- vs long-term intensity differences. An anomaly-aware gating mechanism injects these statistical views into the attention computation, guiding the encoder to emphasize statistically irregular events. Experiments on CERT r4.2, CERT r5.2, and ADFA-LD show that MV-Gate achieves notable gains over classical, deep-learning, and domain-specific baselines, particularly for progressive, weak-signal threats. These results highlight the necessity of jointly modeling statistical and sequential evidence for robust insider-threat detection.
• Abstract（参考訳）: インサイダーの脅威は、出来事のセマンティクスの変化よりも、行動統計の破壊、例えば変化した反復パターンや短めの長期の周波数シフトなどの早期の異常をしばしば明らかにする。 しかし、統計モデルからログトークン化や深層シーケンシャルエンコーダへの移行に伴い、これらの統計手法は弱められ、現在のモデルでは、段階的、低視認性インサイダーの振る舞いに敏感なままであり、MV-Gateは、統計正規性とシーケンスセマンティクスを明示的に統合する多視点行動モデリングフレームワークである。 MV-Gateは、アクティビティトークン、繰り返しパターンをキャプチャするマルチスケールステータス信号、短距離と長期の強度差を記述する周波数偏差信号の3つの整列行動シーケンスを構築している。 異常認識ゲーティング機構は、これらの統計ビューを注意計算に注入し、エンコーダが統計的に不規則な事象を強調するように誘導する。 CERT r4.2、CERT r5.2、ADFA-LDの実験では、MV-Gateは古典的、ディープラーニング、ドメイン固有のベースライン、特に進歩的で弱い信号の脅威よりも顕著に向上している。 これらの結果は、堅牢な内部脅威検出のための統計的およびシーケンシャルな証拠を共同でモデル化する必要性を浮き彫りにした。

関連論文リスト

• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• PLanTS: Periodicity-aware Latent-state Representation Learning for Multivariate Time Series [10.332959619473652]
  本稿では,不規則状態とその遷移を明示的にモデル化した周期性を考慮した自己教師型学習フレームワークPLanTSを提案する。 PLanTSは既存のSSLメソッドよりも一貫して表現品質を改善し、DTWベースのメソッドよりも優れた実行効率を示す。
  論文  参考訳（メタデータ） (2025-09-05T20:10:09Z)
• Log2Sig: Frequency-Aware Insider Threat Detection via Multivariate Behavioral Signal Decomposition [6.945554245486656]
  インサイダーの脅威検出は、悪意のある行為を欺く性質のため、重大な課題となる。 ユーザのログを行動周波数信号に変換する堅牢な異常検出フレームワークであるLog2Sigを提案する。 Log2Sigは精度とF1スコアの両方で最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-08-06T18:47:26Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。