論文の概要: Control Physiology: An Agent-Based Model of FAIR-CAM Dynamics

• arxiv url: http://arxiv.org/abs/2605.26597v1
• Date: Tue, 26 May 2026 06:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.702397
• Title: Control Physiology: An Agent-Based Model of FAIR-CAM Dynamics
• Title（参考訳）: 制御生理学:FAIR-CAMダイナミクスのエージェントモデル
• Authors: Jack Jones, Laura Voicu,
• Abstract要約: コアFAIR-CAMダイナミクスを動作させるエージェントベースモデルを提案する。 病院のランサムウェアのシナリオでは、静的解析では表現できない3つの組織力学が出現する。 これらのダイナミクスは、FAIR-CAMアーキテクチャの構造特性であり、研究された特定のシナリオを超えて一般化されるべきである。
• 参考スコア（独自算出の注目度）: 0.14323566945483493
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Security risk analysis typically treats control effectiveness as a static input, yet controls degrade through configuration drift, depend on monitoring systems that may themselves be degraded, and compete for finite remediation budgets. The FAIR Controls Analytics Model (FAIR-CAM) provides the theoretical framework for these dynamics but has so far remained theoretical. We present the first agent-based model to operationalize the core FAIR-CAM dynamics, making control physiology computationally observable, and release the implementation as open source. The simulation implements eight agent types, a multiplicative defense-in-depth susceptibility formula, a three-source variance model, budget-constrained remediation, and a narrative causation engine that produces a complete causal trace for every loss event. In a hospital ransomware scenario (N=1,000 iterations), three organizational dynamics emerge that static analysis cannot represent. First, emergent operational efficacy diverges from the analytical FAIR-CAM formula by approximately 17 percent, driven by correlated extrinsic variance; the divergence grows linearly with extrinsic frequency and vanishes under purely intrinsic drift. Second, a sharp queueing regime transition in the remediation pipeline approximately 2.8x expected loss when budget falls below a scenario-specific threshold (5-10 engineer-hours/month). Third, cascading monitoring failures propagate through the VMC topology: a single degraded VMC silently compounds undetected variance across the controls it manages. These dynamics are structural properties of the FAIR-CAM architecture and should generalize beyond the specific scenario studied.
• Abstract（参考訳）: セキュリティリスク分析は通常、制御の有効性を静的な入力として扱うが、構成のドリフトによって制御が劣化する。 FAIR制御分析モデル(FAIR-CAM)は、これらの力学の理論的枠組みを提供するが、今のところ理論的なままである。 本稿では,FAIR-CAMのコアダイナミクスを演算し,制御生理学を計算的に観察し,実装をオープンソースとしてリリースするエージェントベースモデルを提案する。 シミュレーションでは,8種類のエージェントタイプ,乗法的ディフェンス・イン・ディープス・サセプティビリティ・フォーミュラ,3ソース分散モデル,予算制約による修復,損失イベント毎に完全な因果トレースを生成する物語因果エンジンを実装している。 病院のランサムウェアシナリオ(N=1,000イテレーション)では、静的解析では表現できない3つの組織力学が出現する。 まず, 解析的FAIR-CAM式から約17%, 相関した外因性分散により発散し, 内因性ドリフト下では外因性周波数とともに直線的に発散し, 消失する。 第2に、修復パイプラインの急激な待ち行列の遷移は、予算がシナリオ固有のしきい値(月5-10エンジニア時間)を下回ると、約2.8倍の損失を期待している。 第三に、カスケード監視障害はVMCトポロジを通じて伝播する。 これらのダイナミクスは、FAIR-CAMアーキテクチャの構造特性であり、研究された特定のシナリオを超えて一般化されるべきである。

関連論文リスト

• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
  空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。 条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T16:10:32Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Incorporating Recurrent Reinforcement Learning into Model Predictive Control for Adaptive Control in Autonomous Driving [11.67417895998434]
  モデル予測制御(MPC)は、強力な制御技術として自律運転タスクに大きな注目を集めている。 本稿では,この問題を部分的に観測されたマルコフ決定過程(POMDP)として再検討する。 次に、最適かつ適応的な制御のために、リカレント強化学習(RRL)を通して、動的モデルのパラメータを継続的に適応させるリカレントポリシーを学習する。
  論文  参考訳（メタデータ） (2023-01-30T22:11:07Z)

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。