論文の概要: Automated Compliance Mapping in Cloud Security with Domain-Adapted Sentence Transformers

• arxiv url: http://arxiv.org/abs/2607.06364v1
• Date: Tue, 07 Jul 2026 15:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.560361
• Title: Automated Compliance Mapping in Cloud Security with Domain-Adapted Sentence Transformers
• Title（参考訳）: ドメイン適応型文変換器を用いたクラウドセキュリティにおけるコンプライアンス自動マッピング
• Abstract要約: ヨーロッパの5つのセキュリティ標準と一連の技術メトリクスから,3,499のセマンティックペアのトレーニングコーパスを構築しています。 我々は5つのアーキテクチャを微調整し、2つの独立したタスク、すなわちコントロール・トゥ・メトリックとクロススタンダード・コントロール・アソシエーションの性能を評価する。
• 参考スコア（独自算出の注目度）: 1.2891189282516036
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mapping cloud security controls to technical metrics is currently a manual process. This paper proposes domain adaptation of Sentence Transformer models to automate it. We build a training corpus of 3,499 semantic pairs from five European security standards and a set of technical metrics, then expand it via back-translation and LLM-based paraphrasing to up to 13,996 samples across four scenarios. We fine-tune five architectures and evaluate their performance on two independent tasks: control-to-metric and cross-standard controls association. All fine-tuned models outperform their zero-shot baselines. On the control-to-metric task, the best model gains up to 23 nDCG@10 points, while on the cross-standard control task, \textit{multi-qa-mpnet-dot-v1} under back-translation reaches 0.870 nDCG@10. The results show that in-domain training data is a primary driver of performance for the considered case studies.
• Abstract（参考訳）: クラウドセキュリティコントロールを技術的メトリクスにマッピングすることは、現在、手作業によるプロセスである。 本稿では,文変換モデルのドメイン適応による自動生成を提案する。 ヨーロッパの5つのセキュリティ標準と一連の技術メトリクスから,3,499のセマンティックペアのトレーニングコーパスを構築しました。 我々は5つのアーキテクチャを微調整し、2つの独立したタスク、すなわちコントロール・トゥ・メトリックとクロススタンダード・コントロール・アソシエーションの性能を評価する。 すべての微調整されたモデルは、ゼロショットベースラインよりも優れています。 コントロール・トゥ・メトリック・タスクでは、最良のモデルは最大23 nDCG@10ポイントまで上昇するが、クロススタンダード・コントロールタスクでは、バックトランスレーション時の \textit{multi-qa-mpnet-dot-v1} は0.870 nDCG@10に達する。 その結果, ドメイン内トレーニングデータは, 検討されたケーススタディにおいて, パフォーマンスの第一の要因であることがわかった。

関連論文リスト

• Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction [17.527470001317685]
  本研究では,コンパクトな小言語モデル (SLM) を制御推論のために再訓練し,検証器誘導補正ループに組み込むことができるかを検討する。 ランダム化熱制御シミュレーション(それぞれ500段の30の実験)では、平均的なアクションアライメント精度が91.5%に達する。 シンボリック・リマッピングの下では95%のインレンジレートを維持しており、トークンレベルの合意が減ったにもかかわらず、堅牢な物理的規制を示している。
  論文  参考訳（メタデータ） (2026-06-24T13:49:01Z)
• Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models [63.96252564303143]
  Embodied-R1.5は統合されたEmbodied Foundation Model(EFM)であり、包括的エンボディド推論機能を統合する。 我々は15B以上のトークンからなる大規模データシステムを構築し、マルチタスクバランスのRLレシピを設計する。 8Bパラメータしか持たず、Embodied-R1.5 SOTAは24のVLMベンチマークのうち16で、Gemini-Robotics-ER-1.5やGPT-5.4といった主要なモデルを上回った。
  論文  参考訳（メタデータ） (2026-06-09T18:07:50Z)
• Toward Pre-Deployment Assurance for Enterprise AI Agents: Ontology-Grounded Simulation and Trust Certification [0.0]
  配備後監視、人道管制、緊急レベルのガードレールは、エージェントが運用中に動作している場合に限定的な保証を提供する。 オントロジーに基づく検証フレームワークは、まず3つのコンポーネントを組み合わせる。 システムは、自動的に規制、運用、および敵対的なテストシナリオを生成する。
  論文  参考訳（メタデータ） (2026-06-02T02:37:11Z)
• Mono2Sls: Automated Monolith-to-Serverless Migration via Multi-Stage Pipeline with Static Analysis [39.8879463570937]
  モノリシックなWebバックエンドをデプロイ可能なAWS SAMアプリケーションに変換する自動化パイプラインであるMono2Slsを紹介します。 Mono2Slsは、手動修正なしで100%のデプロイメント成功を達成する。 また、エンドツーエンドの正確性は66.1%、APIカバレッジは98.7%に達した。
  論文  参考訳（メタデータ） (2026-04-27T14:44:07Z)
• ClawEnvKit: Automatic Environment Generation for Claw-Like Agents [85.29126619772153]
  我々は、オンデマンドで検証された環境を生成することができる自動生成パイプラインであるClawEnvKitを紹介する。 ClawEnvKitは、(1)自然言語入力から構造化生成パラメータを抽出するパイプライン、(2)タスク仕様、ツールインターフェース、スコアリング設定を生成するジェネレータ、(3)実現可能性、多様性、構造的妥当性、内部整合性を強制するバリデータからなる。 爪のようなエージェントの大規模なベンチマークであるAuto-ClawEvalを構築し、24のカテゴリで1,040の環境を網羅した。
  論文  参考訳（メタデータ） (2026-04-20T17:36:49Z)
• LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning [1.2599533416395765]
  3次元の3次元クラウド解析は、自律運転やロボット工学から林業や生態モニタリングまで幅広い応用の中心となっている。 libは統合されたPyTorchライブラリで、29の教師付きアーキテクチャ、7つのSSL事前トレーニングメソッド、5つのPEFT戦略を含む55以上のモデル構成を統合している。 libは、標準化されたトレーニングランナー、階層化された$K$-fold分割によるクロスバリデーション、自動化/CSVテーブル生成、厳密なマルチモデル比較のための臨界差図を用いたFriedman/Nemenyi統計テスト、200以上の自動テストを備えた総合的なテストスイートを提供する。
  論文  参考訳（メタデータ） (2026-04-12T19:10:12Z)
• AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control [4.365822392824561]
  AutoSiMPは、自然言語の構造的問題記述を手動で設定せずに検証されたバイナリトポロジーに変換する。 パイプラインは,(1)平易なプロンプトを幾何仕様に解析し,サポート,負荷,受動的領域,メッシュパラメータに解析するLLMベースのソルバ,(2)ソルバ対応DOFアレイ,力ベクトル,受動的要素マスクを生成する境界条件生成器,(3)3フィールドSIMPソルバ,およびHeavisideプロジェクションとプラグ可能な継続制御を備える。
  論文  参考訳（メタデータ） (2026-03-27T21:23:44Z)
• A Lightweight Defense Mechanism against Next Generation of Phishing Emails using Distilled Attention-Augmented BiLSTM [34.0814379994364]
  MobileBERTの教師は、BiLSTMモデルに変形する前に微調整を受け、多面的な注意を払っている。 このシステムは、コンパクトなサイズを維持しながら、精度とレイテンシの点で優れた性能を示す。 本稿では,高交通条件下でのシステム性能とプライバシ保護のためのセキュリティ対策,運用展開のための実装方法について検討する。
  論文  参考訳（メタデータ） (2026-02-24T20:06:45Z)
• SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
  SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。 提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。 我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
  論文  参考訳（メタデータ） (2025-03-11T17:53:02Z)
• Model-Generated Pretraining Signals Improves Zero-Shot Generalization of Text-to-Text Transformers [98.30298332661323]
  本稿では,T5などのテキスト変換器のゼロショット一般化におけるモデル生成信号の有効性について検討する。 我々は新しいモデルMETRO-T0を開発し、ELECTRA-Style事前学習戦略を用いて事前訓練を行い、次にNLPタスクの混合を即時微調整する。 その結果,METRO-T0の有効性は,パラメータのよりバランスの取れた寄与と,それらの能力の有効利用に起因していることが判明した。
  論文  参考訳（メタデータ） (2023-05-21T21:06:23Z)
• Improving Cross-task Generalization of Unified Table-to-text Models with Compositional Task Configurations [63.04466647849211]
  メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。 本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。 これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
  論文  参考訳（メタデータ） (2022-12-17T02:20:14Z)
• Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers [57.931830650323]
  本稿では,事前学習および微調整型変圧器によるスケーリングの洞察について述べる。 モデルのサイズだけでなく、モデル形状が下流の微調整に重要であることを示す。 再設計したモデルにより、下流の微調整品質が向上する。
  論文  参考訳（メタデータ） (2021-09-22T12:29:15Z)

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。