論文の概要: Application of LLMs to Threat Assessment of Foreign Peacekeeping Missions

• arxiv url: http://arxiv.org/abs/2606.27106v1
• Date: Thu, 25 Jun 2026 14:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.324296
• Title: Application of LLMs to Threat Assessment of Foreign Peacekeeping Missions
• Title（参考訳）: LLMの海外平和維持ミッションの脅威評価への応用
• Abstract要約: 本稿では,大規模言語モデル(LLM)を外国平和維持活動の文脈における脅威評価に適用するための新しいアプローチを提案する。 PINPOINTプロジェクトとそのユースケースであるジョージアのEU監視ミッションに基づいて、我々は、学際的リスクモデルとOSINTベースのメディアコレクションとLLMが支援する脅威抽出を組み合わせた。 メディア文書から抽出された脅威の評価は、自動生成結果と脅威やミッション関連性といった中核的な側面に対する人間の判断との間に高い一致を示す。
• 参考スコア（独自算出の注目度）: 0.48428762150542365
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a novel approach for applying Large Language Models (LLMs) to threat assessment in the context of foreign peacekeeping missions. Building on the PINPOINT project and its use case, the EU Monitoring Mission in Georgia, we combine an interdisciplinary risk-model with OSINT-based media collection and LLM-supported threat extraction. The proposed workflow maps media contents to mission-relevant threats, extracts structured information and applies several additional LLM-based processing steps to improve relevance and grounding. An evaluation of threats extracted from media documents shows high agreement between automatically generated results and human judgment for core aspects such as threat and mission relevance. These results indicate that LLMs provide a promising approach to support analysts in the context of peacekeeping missions.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)を外国平和維持活動の文脈における脅威評価に適用するための新しいアプローチを提案する。 PINPOINTプロジェクトとそのユースケースであるジョージアのEU監視ミッションに基づいて、我々は、学際的リスクモデルとOSINTベースのメディアコレクションとLLMが支援する脅威抽出を組み合わせた。 提案するワークフローは,メディアコンテンツをミッション関連脅威にマッピングし,構造化された情報を抽出し,さらに複数のLCMベースの処理手順を適用して,関連性と接地性を改善する。 メディア文書から抽出された脅威の評価は、自動生成結果と脅威やミッション関連性といった中核的な側面に対する人間の判断との間に高い一致を示す。 これらの結果は, LLMが平和維持ミッションの文脈でアナリストを支援するための有望なアプローチを提供することを示している。

関連論文リスト

• Large Language Models in Misinformation Ecosystems: Misuse, Defense, and Vulnerability [65.56750741053266]
  大規模言語モデル(LLM)は、誤情報をコンテンツ中心の問題からより広範なエコシステムレベルのセキュリティ課題に転換した。 本稿では,これらのリスクと防御を統一する役割層フレームワークを提案する。 この役割はLLMを攻撃者、ディフェンダー、検証システムの脆弱なコンポーネントとして特徴づけ、層次元はコンテンツ、社会的コンテキスト、エビデンス環境、検証をカバーしている。
  論文  参考訳（メタデータ） (2026-07-11T17:04:17Z)
• CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems [52.48183625867145]
  マルチエージェントシステム(MAS)は、複雑なタスクを解く際、顕著な能力を示した。 MASの中心は、エージェントが内部で情報を交換する方法を管理する通信トポロジーである。 本稿では,MAS通信のトポロジを制限的なブラックボックス設定で推定できる,重要なプライバシーリスクについて検討する。
  論文  参考訳（メタデータ） (2026-04-14T08:48:15Z)
• EL-MIA: Quantifying Membership Inference Risks of Sensitive Entities in LLMs [10.566053894405902]
  我々は,LLMプライバシの文脈において,機密情報に着目した会員リスクのエンティティレベル発見という新たな課題を提案する。 既存のMIAの方法は、LLMトレーニングデータにすべてのプロンプトや文書が存在することを検知できるが、より細かい粒度でリスクを捕捉できない。 本研究では,MIA手法の評価のためのベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2025-10-31T18:50:47Z)
• Benchmarking LLM-Assisted Blue Teaming via Standardized Threat Hunting [11.591424538749967]
  本稿では,大規模言語モデルをブルーチームで指導するためのベンチマークであるCyberTeamを提案する。 まず、脅威属性からインシデント応答への分析タスク間の依存関係をキャプチャすることで、現実的な脅威追跡をモデル化する。 次に、各タスクは、その特定の分析要求に合わせて調整された一連の運用モジュールを通して対処される。 全体として、CyberTeamは30のタスクと9つの運用モジュールを統合し、標準化された脅威分析を通じてLLMをガイドする。
  論文  参考訳（メタデータ） (2025-09-28T02:08:17Z)
• Benchmarking LLMs in an Embodied Environment for Blue Team Threat Hlunting [14.810934670172479]
  大きな言語モデル(LLM)は、脅威分析を強化するための有望な機能を提供する。 実際のブルーチームの脅威追跡シナリオにおけるそれらの効果は、まだ十分に調査されていない。 青のチームリングでLLMをガイドするベンチマークであるCYBERTEAMを提示する。
  論文  参考訳（メタデータ） (2025-05-17T08:33:50Z)
• A Survey of Safety on Large Vision-Language Models: Attacks, Defenses and Evaluations [127.52707312573791]
  この調査はLVLMの安全性を包括的に分析し、攻撃、防御、評価方法などの重要な側面をカバーする。 我々はこれらの相互関連コンポーネントを統合する統一フレームワークを導入し、LVLMの脆弱性を概観する。 我々は,最新のLVLMであるDeepseek Janus-Pro上で一連の安全性評価を行い,その結果を理論的に分析する。
  論文  参考訳（メタデータ） (2025-02-14T08:42:43Z)
• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• Detecting Training Data of Large Language Models via Expectation Maximization [62.28028046993391]
  本稿では,予測最大化アルゴリズムを用いて,メンバーシップスコアとプレフィックススコアを反復的に洗練する新しいメンバーシップ推論手法EM-MIAを紹介する。 EM-MIAはWikiMIAで最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-10T03:31:16Z)
• Threat Modelling and Risk Analysis for Large Language Model (LLM)-Powered Applications [0.0]
  大規模言語モデル(LLM)は、高度な自然言語処理機能を提供することによって、様々なアプリケーションに革命をもたらした。 本稿では,LSMを利用したアプリケーションに適した脅威モデリングとリスク分析について検討する。
  論文  参考訳（メタデータ） (2024-06-16T16:43:58Z)
• Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning [61.2224355547598]
  大規模言語モデル(LLM)のオープンソース化は、アプリケーション開発、イノベーション、科学的進歩を加速させる。 我々の調査は、この信念に対する重大な監視を露呈している。 我々の研究は、慎重に設計されたデモを配置することにより、ベースLSMが悪意のある命令を効果的に解釈し実行できることを実証する。
  論文  参考訳（メタデータ） (2024-04-16T13:22:54Z)
• Benchmarking and Defending Against Indirect Prompt Injection Attacks on Large Language Models [79.0183835295533]
  我々は,このような脆弱性のリスクを評価するために,BIPIAと呼ばれる間接的インジェクション攻撃のための最初のベンチマークを導入した。 我々の分析では、LLMが情報コンテキストと動作可能な命令を区別できないことと、外部コンテンツ内での命令の実行を回避できないことの2つの主要な要因を同定した。 ブラックボックスとホワイトボックスという2つの新しい防御機構と、これらの脆弱性に対処するための明確なリマインダーを提案する。
  論文  参考訳（メタデータ） (2023-12-21T01:08:39Z)
• On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
  本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。 本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
  論文  参考訳（メタデータ） (2023-05-23T04:10:26Z)

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。