論文の概要: PACT: Reducing Alert Fatigue in Low-Prevalence SOC Streams with Triggered Active Learning

• arxiv url: http://arxiv.org/abs/2605.22324v1
• Date: Thu, 21 May 2026 11:11:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.220594
• Title: PACT: Reducing Alert Fatigue in Low-Prevalence SOC Streams with Triggered Active Learning
• Title（参考訳）: PACT: トリガー型アクティブラーニングによる低定常SOCストリームのアラート疲労低減
• Authors: Samuel Ndichu, Tao Ban, Seiichi Ozawa, Takeshi Takahashi, Daisuke Inoue,
• Abstract要約: PACTは、すでにデプロイ済みの冷凍XGBoost-Focalスクリーンを、アダプティブウィンドウニングスコアシフトトリガーでラップする。 適応法の中では, 良性正常化偽陽性負担が最少である。
• 参考スコア（独自算出の注目度）: 3.6732711233211663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security operations centers face persistent alert fatigue: in low-prevalence streams, even low false-positive rates generate substantial investigation load, while aggregate F1 scores obscure analyst burden. We introduce PACT, a Pareto-aware controller for triggered active learning, which wraps an already-deployed frozen XGBoost-Focal screener with an adaptive windowing score-shift trigger and a hybrid acquisition rule combining threshold-relative uncertainty with high-score sampling. On two public low-prevalence benchmarks, AIT-ADS (AIT Alert Data Set), and BOTSv1 (Boss of the SOC version 1), PACT attains the lowest benign-normalized false-positive (FP) burden among the adaptive methods tested. It reduces burden by 43% and 21%, respectively, relative to a frozen baseline, while using 3.8x and 5.2x fewer analyst queries than periodic uniform-random updating. A matched-trigger ablation controls trigger timing and shows that acquisition contributes beyond timing alone, at the cost of approximately ten percentage points of positive-window recall under free-running triggers. A frozen threshold-only baseline pushes FP lower still but collapses BOTSv1 recall by 55 percentage points. Under the evaluated workload assumptions, pure FP minimization trades unacceptable recall for that lower burden.
• Abstract（参考訳）: 低頻度のストリームでは、偽陽性の低いレートでさえかなりの調査負荷を発生させ、F1の集計はアナリストの負担を曖昧にしている。 我々は,すでにデプロイ済みの冷凍XGBoost-Focalスキャスタを,適応型ウィンドウリングスコアシフトトリガと,閾値相対不確かさと高スコアサンプリングを組み合わせたハイブリッド取得ルールでラップする,アクティブ学習を起動するためのパレート対応コントローラであるPACTを紹介する。 AIT-ADS (AIT Alert Data Set) とBOTSv1 (Boss of the SOC version 1) の2つの公的な低頻度ベンチマークでは、PACTはテストされた適応手法の中で最低良性正規化偽陽性 (FP) の負荷を達成している。 凍結したベースラインに対して、負荷を43%と21%削減し、また、定期的な一様更新よりも3.8倍と5.2倍少ないアナリストクエリを使用する。 整合トリガーアブレーションはタイミングを制御し、フリーラントリガーによる正ウィンドウリコールの約10%のコストで、買収がタイミングのみに貢献することを示す。 凍結しきい値のみのベースラインはFPを下げるが、BOTSv1リコールは55ポイント低下する。 評価されたワークロードの仮定の下では、純粋なFP最小化は、その低い負担に対して受け入れがたいリコールを交換します。

関連論文リスト

• RVPO: Risk-Sensitive Alignment via Variance Regularization [13.192921543523283]
  本稿では, 利便集約時のリワード間分散をペナルティ化するリスクセンシティブなフレームワークであるReward-Variance Policy Optimization (RVPO)を提案する。 我々はTaylor拡張を通して、LogSumExp(SoftMin)オペレータがスムーズな分散ペナルティとして効果的に働くことを示す。 モデルがより簡単な目的を活かすために難しい制約を無視しないようにすることで、RVPOはHealthBenchの全体的なスコアを改善する。
  論文  参考訳（メタデータ） (2026-05-07T06:43:05Z)
• Low-Rank Adaptation Reduces Catastrophic Forgetting in Sequential Transformer Encoder Fine-Tuning: Controlled Empirical Evidence and Frozen-Backbone Representation Probes [3.305265383862785]
  コンパニオン表現プローブを用いたシーケンシャルトランスフォーマーエンコーダにおけるローランド適応(LoRA)の実証的研究について述べる。 RTE->MRPC->CoLA->SST-2配列上の5つのフルバリデーションBERTベースでは、フル微調整の収率は19.9%+/-で、標準のLoRA(r、クエリ/バリューモジュール)は0.6%+/-1.4%である。
  論文  参考訳（メタデータ） (2026-03-29T14:14:36Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning [43.24339861841546]
  本稿では,CVE-linked データセット上でのデコーダ型言語モデル (phi/phi-2 with LoRA) の微調整について検討する。 本研究では,ウィンドウオンリーおよび累積学習,リプレイベースライン,正規化ベースバリアントを含む8つの連続学習戦略を評価する。 ハイブリッドCASRはベースラインと比較してウィンドウ当たりのトレーニング時間を約17%削減する一方、累積トレーニングは15.9倍の計算コストでF1をわずかに増加させる(0.661)。
  論文  参考訳（メタデータ） (2026-02-27T09:13:23Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• SLAM-AGS: Slide-Label Aware Multi-Task Pretraining Using Adaptive Gradient Surgery in Computational Cytology [1.079960007119637]
  スライドラベル対応マルチタスク事前学習フレームワークSLAM-AGSを提案する。 課題勾配の相反に適応的勾配手術を適用した。 SLAM-AGSは,他の事前学習法に比べて,バッグレベルのF1スコアとTop 400陽性細胞検索を改善した。
  論文  参考訳（メタデータ） (2025-11-18T16:30:10Z)
• TempSamp-R1: Effective Temporal Sampling with Reinforcement Fine-Tuning for Video LLMs [67.55973229034319]
  本稿では,マルチモーダルな大規模言語モデル(MLLM)をビデオ時間的グラウンド処理に適応させることの有効性向上を目的とした,新しい強化微調整フレームワークであるTempSamp-R1を紹介する。 我々は、TempSamp-R1がGRPOベースのベースラインより優れており、ベンチマークデータセット上で新しい最先端のパフォーマンスを確立していることを示す。
  論文  参考訳（メタデータ） (2025-09-22T17:30:15Z)

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。