論文の概要: Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2607.06860v1
- Date: Tue, 07 Jul 2026 23:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.238543
- Title: Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning
- Title（参考訳）: マルチシャードSISAと深層強化学習を用いたプライバシ互換性ランサムウェア検出のための可聴機械の学習
- Abstract要約: マルチシャードSISA再学習と深層強化学習を統合した,監査可能なランサムウェア検出およびアンラーニングフレームワークを提案する。
提案システムでは,非対称なセキュリティコスト下での行動特徴から報酬誘導検出ポリシーを学習する。
シングルシャード・アンラーニングは最小限のユーティリティ劣化と低いオラクルの不一致を維持しているのに対し、適度なシャードカウントは最良の効率と性能のトレードオフをもたらすことを示す。
- 参考スコア（独自算出の注目度）: 1.8024397171920885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ransomware poses an escalating cybersecurity threat as attackers continuously modify behavioral patterns to evade static defenses. Although existing machine learning-based detectors often achieve strong predictive performance, they generally assume fixed training data and do not support the selective removal of previously learned samples. This limitation conflicts with privacy regulations such as the GDPR and CCPA, which require the removal of sensitive user data upon request. To address this challenge, we propose an auditable ransomware detection and unlearning framework that integrates deep reinforcement learning with multi-shard SISA retraining. In the proposed system, a Double Deep Q-Network (DDQN) learns a reward-guided detection policy from behavioral features under asymmetric security costs, while multi-shard SISA enables privacy-compliant selective sample removal through shard-level retraining. The framework was evaluated using four criteria: utility preservation, oracle-based forgetting validation, membership inference auditing, and computational efficiency. On a balanced Windows 11 behavioral dataset comprising 2,000 samples and 103 features, the baseline DDQN detector achieved an F1 score of 0.9925 and an AUC of 0.9983. The experimental results show that single-shard unlearning maintains minimal utility degradation and low oracle disagreement, whereas moderate shard counts (M = 5-10) provide the best efficiency-performance trade-off, reducing retraining time to 5-30 s compared with 80-330 s for full retraining. In addition, the membership inference scores remain close to 0.5 across most configurations, indicating limited privacy leakage after unlearning. These findings demonstrate that a privacy-compliant ransomware detection framework can jointly achieve high detection performance, auditable deletion verification, and efficient sample removal.
- Abstract（参考訳）: ランサムウェアは、攻撃者が静的防御を避けるために行動パターンを継続的に修正するので、サイバーセキュリティの脅威がエスカレートする。
既存の機械学習ベースの検出器は、しばしば強い予測性能を達成するが、彼らは一般的に、固定されたトレーニングデータを仮定し、以前に学習したサンプルの選択的除去をサポートしない。
この制限はGDPRやCCPAなどのプライバシー規制と矛盾し、要求に応じて機密データを削除する必要がある。
この課題に対処するために,マルチシャードSISA再学習と深層強化学習を統合した,監査可能なランサムウェア検出およびアンラーニングフレームワークを提案する。
提案システムでは、Double Deep Q-Network (DDQN) は非対称セキュリティコスト下での行動特徴から報酬誘導検出ポリシーを学習し、マルチシャードSISAはシャードレベルのリトレーニングによるプライバシ準拠のサンプル除去を可能にする。
この枠組みは, 実用性保存, オラクルによる忘れの検証, 会員推定監査, 計算効率の4つの基準を用いて評価した。
2,000のサンプルと103の特徴からなるバランスのとれたWindows 11の行動データセットでは、DDQN検出器はF1スコアが0.9925、AUCが0.9983に達した。
実験結果から,シングルシャード・アンラーニングは最小限のユーティリティ劣化と低オラクル不一致を維持し,一方中等度のシャード数(M = 5-10)は高い効率・性能のトレードオフをもたらし,再トレーニング時間をフルリトレーニングの80～30秒と比較すると5～30秒に短縮した。
さらに、メンバーシップの推測スコアは、ほとんどの構成で0.5に近づき、未学習後のプライバシー漏洩が制限されていることを示している。
これらの結果から,プライバシに準拠したランサムウェア検出フレームワークは,高い検出性能,監査可能な削除検証,効率的なサンプル除去を両立させることができることがわかった。
関連論文リスト
- Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。
以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。
我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
論文 参考訳（メタデータ） (2026-07-30T16:22:13Z) - SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design [1.8024397171920885]
本研究では,偽陰性・偽陽性のコスト非対称性を強化学習報酬信号に組み込むセキュリティ対応深層強化学習フレームワークを提案する。
対称ベースライン報酬(R1)とセキュリティ対応非対称報酬(R2)を用いて、4つの深層強化学習エージェントの評価を行った。
その結果,非対称な報酬形成により,セキュリティ指向の検出性能が向上した。
論文 参考訳（メタデータ） (2026-07-08T00:43:20Z) - When Certificates Fail: A Unified Safety Framework for Embedded Neural Interface Models [0.0]
本稿では,検証不足,プロキシ・フィデリティのばらつき,潜伏情報抽出という,3つの障害を中心に構成された統合的実証監査フレームワークを提案する。
複数の深部および古典的なEEGデコーダ、公式セッションレベルの検証、nullコントロール、ペア統計テストを用いて、BCIコンペティションIV 2aとSEED-IVのフレームワークをインスタンス化する。
この結果から,認証認証のみではなく,運用安全監査が神経インターフェース展開の責任を負う上で重要であることが確認された。
論文 参考訳（メタデータ） (2026-07-07T13:03:45Z) - Decoupling Reconnaissance and Exploitation: Measuring the Capability Boundaries of LLM-Based Web Penetration Testing [8.293465530619246]
本稿では,2段階の非結合評価フレームワークを提案する。
我々は、マルチエージェント、モノリシック、グラフ駆動アーキテクチャをカバーする、オープンソースの5つの浸透試験エージェントを実証的に評価する。
論文 参考訳（メタデータ） (2026-06-24T02:51:58Z) - TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。
ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
論文 参考訳（メタデータ） (2026-05-17T18:07:08Z) - Privacy-Aware Machine Unlearning with SISA for Reinforcement Learning-Based Ransomware Detection [1.8024397171920885]
本稿では、Sharded, Isolated, Sliced, Aggregated trainingをベースとしたランサムウェア検出のための、プライバシを意識しない機械学習評価フレームワークを提案する。
このフレームワークは、検出器全体ではなく、影響を受けるモデルのシャードのみをトレーニングすることで、効率的なデータ削除を可能にする。
論文 参考訳（メタデータ） (2026-04-18T00:19:20Z) - Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection [0.0]
フェデレートラーニング(FL)は、ローカルデバイスに生データが残ることを保証しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。
このようなクライアントは、誤解を招く更新を送信することでトレーニングプロセスに干渉し、グローバルモデルのパフォーマンスと信頼性に悪影響を及ぼす可能性がある。
モデル勾配ではなく時間的損失のダイナミクスを監視して悪意のある行動を検知・緩和する,軽量かつプライバシ保護型防衛フレームワークであるFL-LTDを提案する。
論文 参考訳（メタデータ） (2026-01-28T18:09:53Z) - A Granular Study of Safety Pretraining under Model Abliteration [64.24346997570275]
本稿では,リフレクションに敏感な方向を除去する軽量プロジェクション技術であるモデルアブリーブレーションについて検討する。
我々は、バランスのとれた有害かつ無害なケースで100のプロンプトを発行し、複数の判断を用いて**Refusal*または***Non-Refusal*として応答を分類し、判断の忠実さを検証する。
本研究は,データ中心の安全コンポーネントが失語中も頑健であるチェックポイントレベルの特徴付けを行う。
論文 参考訳（メタデータ） (2025-10-03T07:01:45Z) - Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。
本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。
特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文 参考訳（メタデータ） (2025-03-21T06:12:06Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation [69.75513501757628]
FedGTは、フェデレーション学習における悪意のあるクライアントを安全なアグリゲーションで識別するための新しいフレームワークである。
我々はPillutlaらによって最近提案された幾何的中央値に基づいて,FedGTがプライベートロバストアグリゲーションアプローチを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2023-05-09T14:54:59Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z)
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。