論文の概要: Neuro-Bayesian-Symbolic Residual Attention Shallow Network: Explainable Deep Learning for Cybersecurity Risk Assessment
- arxiv url: http://arxiv.org/abs/2606.30953v1
- Date: Mon, 29 Jun 2026 22:16:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.011139
- Title: Neuro-Bayesian-Symbolic Residual Attention Shallow Network: Explainable Deep Learning for Cybersecurity Risk Assessment
- Title（参考訳）: Neuro-Bayesian-Symbolic Residual Attention Shallow Network: サイバーセキュリティリスク評価のための説明可能なディープラーニング
- Authors: Nicolaie Popescu-Bodorin, Madeleine Togher,
- Abstract要約: 我々はNBS-RASN(Neuro-Bayesian-Symbolic Residual Attention Shallow Network)を紹介する。
NBS-RASNは、オープンソースのエコシステムにおける説明可能なサイバーセキュリティリスク評価のためのハイブリッドニューラルネットワークアーキテクチャである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN), a hybrid neural architecture for explainable cybersecurity risk assessment in open-source ecosystems. Unlike deep models that trade interpretability for accuracy, our shallow network encodes domain knowledge, causal reasoning, and expert judgment as differentiable components. It uses 80 interpretable neurons across 12 layers, including a gatekeeper that enforces five epistemological axioms - precision, causality, falsifiability, transparency, and completeness - as hard constraints before propagation. Despite limited depth, the network exhibits deep-learning traits via residual attention and feedback loops, learning complex risk patterns without becoming a black box. It produces fully decomposable scores: a deterministic weighted component plus an expert adjustment, with each adjustment traceable to named amplifiers (blast radius, propagation speed, structural nature, default exposure, exploitation pattern, institutional criticality). We validate on 20 open-source projects covering all OWASP Top 10:2025 categories and language risk classes, achieving confidence scores of 0.79-0.97, and show that explainability is guaranteed by design, not by a training algorithm. This challenges the assumption that deep learning requires deep networks, proving that shallow networks with deep reasoning can outperform opaque models in high-stakes cybersecurity, where interpretability is essential.
- Abstract（参考訳）: 本稿では,NBS-RASN(Neuro-Bayesian-Symbolic Residual Attention Shallow Network)を紹介する。
解釈可能性と精度を交換するディープモデルとは異なり、浅いネットワークはドメイン知識、因果推論、専門家による判断を識別可能なコンポーネントとしてエンコードします。
例えば、ゲートキーパーは5つの認識論的公理(正確性、因果性、虚偽性、透明性、完全性)を伝播前の厳しい制約として適用している。
深度が限られているにもかかわらず、ネットワークは残留注意とフィードバックループを通じて深層学習の特徴を示し、ブラックボックスになることなく複雑なリスクパターンを学習する。
決定論的重み付け成分と専門的な調整を加え、それぞれの調整は名前付き増幅器(ブラスト半径、伝播速度、構造的性質、デフォルト露出、エクスプロイトパターン、制度的臨界性)にトレースできる。
OWASP Top 10:2025のカテゴリと言語リスククラスをすべてカバーし、信頼性スコア0.79-0.97を達成し、トレーニングアルゴリズムではなく設計によって説明可能性が保証されていることを示す。
このことは、ディープラーニングが深層ネットワークを必要とするという仮定に挑戦し、深い推論を持つ浅いネットワークは、解釈可能性が不可欠である高レベルのサイバーセキュリティにおいて不透明なモデルを上回る可能性があることを証明している。
関連論文リスト
- Estimating Neural Network Robustness via Lipschitz Constant and Architecture Sensitivity [6.468625143772815]
本稿では,知覚システムにおけるニューラルネットワークのロバスト性について検討する。
我々は、リプシッツ定数を、ネットワークロバストネスの定量化と強化の鍵となる指標として同定する。
論文 参考訳（メタデータ） (2024-10-30T18:38:42Z) - Towards Improving Robustness Against Common Corruptions using Mixture of
Class Specific Experts [10.27974860479791]
本稿では,クラス特化エキスパートアーキテクチャの混合として知られる新しいパラダイムを紹介する。
提案したアーキテクチャは、一般的なニューラルネットワーク構造に関連する脆弱性を軽減することを目的としている。
論文 参考訳（メタデータ） (2023-11-16T20:09:47Z) - The Boundaries of Verifiable Accuracy, Robustness, and Generalisation in Deep Learning [71.14237199051276]
経験的リスクを最小限に抑えるため,古典的な分布に依存しないフレームワークとアルゴリズムを検討する。
理想的な安定かつ正確なニューラルネットワークの計算と検証が極めて難しいタスク群が存在することを示す。
論文 参考訳（メタデータ） (2023-09-13T16:33:27Z) - Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。
ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
論文 参考訳（メタデータ） (2023-08-01T02:07:47Z) - Model-Agnostic Reachability Analysis on Deep Neural Networks [25.54542656637704]
我々はDeepAgnと呼ばれるモデルに依存しない検証フレームワークを開発した。
FNN、リカレントニューラルネットワーク(RNN)、あるいは両者の混合に適用することができる。
レイヤやパラメータといったネットワークの内部構造にアクセスする必要はない。
論文 参考訳（メタデータ） (2023-04-03T09:01:59Z) - Generalized Uncertainty of Deep Neural Networks: Taxonomy and
Applications [1.9671123873378717]
ディープニューラルネットワークの不確実性は、解釈可能性と透明性の感覚において重要であるだけでなく、パフォーマンスをさらに向上するためにも重要であることを示す。
我々は、ディープニューラルネットワークの不確実性の定義を、入力またはインプットラベルペアに関連する任意の数またはベクトルに一般化し、そのような不確かさをディープモデルから「マイニングに関する既存の方法」をカタログ化する。
論文 参考訳（メタデータ） (2023-02-02T22:02:33Z) - Searching for the Essence of Adversarial Perturbations [73.96215665913797]
本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。
この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
論文 参考訳（メタデータ） (2022-05-30T18:04:57Z) - Interpretable part-whole hierarchies and conceptual-semantic
relationships in neural networks [4.153804257347222]
本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。
本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2022-03-07T10:56:13Z) - Provable Regret Bounds for Deep Online Learning and Control [77.77295247296041]
我々は、損失関数がニューラルネットワークのパラメータを最適化するために適応できることを示し、後から最も優れたネットと競合することを示す。
オンライン設定におけるこれらの結果の適用として、オンライン制御コントローラの証明可能なバウンダリを得る。
論文 参考訳（メタデータ） (2021-10-15T02:13:48Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z)
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。