論文の概要: Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls
- arxiv url: http://arxiv.org/abs/2607.09076v1
- Date: Fri, 10 Jul 2026 03:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.775359
- Title: Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls
- Title（参考訳）: Neuro-Agentic Control: セキュリティ制御制御のための深層学習型LLMエージェントAIフレームワーク
- Authors: Saroj Gopali, Bipin Chhetri, Deepika Giri, Sima Siami-Namini, Akbar Siami Namin,
- Abstract要約: 運用技術に対するサイバー攻撃は、コストのかかるダウンタイムと物理的損害をますます引き起こしている。
大規模言語モデル(LLM)は、意思決定支援を支援する強力な意味推論能力を持つ。
本稿では,物理地上での自律防衛を実現するための神経エージェント制御フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cyberattacks on operational technology are increasingly causing costly downtime and physical damage, exposing the limitations of traditional rule-based monitoring in industrial IoT environments. While Large Language Models (LLMs) have strong semantic reasoning abilities to assist in decision support, their hallucinatory nature presents unacceptable safety liabilities for closed-loop control. This paper introduces a neuro-agentic control framework, a novel architecture that couples an LLM-based planner (i.e., such as Gemini 2.5 Flash-Lite) with a pre-trained Time-Series Foundation Model (TimesFM), to achieve physics-grounded autonomous defense. The paper introduces a ``Counterfactual Physics Injection'' mechanism that simulates the impact of LLM-proposed interventions within the numerical latent space of the foundation model before actuation, while allowing the system to reject hallucinatory or unsafe actions. Evaluated on an industrial dataset (e.g., the Secure Water Treatment (SWaT)) in the context of stochastic attack scenarios, the framework exhibited better performance compared to LSTM and TCN baselines. The Neuro-Agentic Loop prevented five breaches (33.3%) below the threshold versus LSTM (26.7%) and TCN (13.3%), with zero physically invalid (hallucinated) actions executed. These results demonstrate the efficacy of using foundation models as deterministic ``Sentinels'' to safeguard agentic AI in critical infrastructure.
- Abstract（参考訳）: 運用技術に対するサイバー攻撃は、コストダウン時間と物理的ダメージをますます引き起こし、産業用IoT環境における従来のルールベースの監視の制限が露呈している。
大規模言語モデル(LLM)は意思決定支援を支援する強力な意味論的推論能力を持つが、その幻覚性は閉ループ制御に許容できない安全責任を生じさせる。
本稿では,LLM ベースのプランナ (Gemini 2.5 Flash-Lite など) と事前訓練した Time-Series Foundation Model (TimesFM) を結合して物理地上での自律防衛を実現する新しいアーキテクチャであるニューロ・アジェンティック・コントロール・フレームワークを提案する。
本稿では, 基礎モデルの数値潜在空間におけるLCMによる介入の影響をシミュレーションし, 幻覚的, 不安全な動作を拒否する機構「Counterfactual Physics Injection」を提案する。
確率的攻撃シナリオの文脈における産業データセット(例えば、セキュア水処理(SWaT))に基づいて評価し、LSTMやTCNのベースラインよりも優れたパフォーマンスを示した。
ニューロ・アジェンティック・ループは、LSTM(26.7%)とTCN(13.3%)の5つの違反(33.3%)を防いだ。
これらの結果は、重要なインフラにおいてエージェントAIを保護するために基礎モデルを決定論的「センチネル」として用いることの有効性を示す。
関連論文リスト
- Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - Control Physiology: An Agent-Based Model of FAIR-CAM Dynamics [0.14323566945483493]
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。
論文 参考訳（メタデータ） (2026-05-26T06:31:20Z) - PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics [0.0]
この研究は、信頼できるエンジニアリングのためのニューロシンボリック・エージェント・フレームワークであるPhyNiKCEを紹介している。
標準的なブラックボックスエージェントとは異なり、PhyNiKCEはシンボリック検証からニューラルプランニングを分離する。
このアーキテクチャは、幅広い産業自動化において、信頼できる人工知能のためのスケーラブルで監査可能なパラダイムを提供する。
論文 参考訳（メタデータ） (2026-02-12T07:37:56Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Neural Process-Based Reactive Controller for Autonomous Racing [0.0]
本稿では,Attentive Neural Process (AttNP) と物理インフォームド拡張 (PI-AttNP) を用いたギャップベースのナビゲーションのための新しいリアクティブ制御フレームワークを提案する。
衝突回避制約を解析的に強制する制御障壁関数(CBF)に基づくフィルタリング機構を導出し実装する。
論文 参考訳（メタデータ） (2026-01-17T19:16:46Z) - A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。
従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。
本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文 参考訳（メタデータ） (2025-12-09T11:54:09Z) - A Large Language Model-Supported Threat Modeling Framework for Transportation Cyber-Physical Systems [11.872361272221244]
TraCR-TMFは、輸送用CPSの脅威、潜在的な攻撃技術、および関連する対策を特定する。
TraCR-TMFは、輸送用CPSエンティティ間の脆弱性に基づいた重要な資産に対するLLMベースの攻撃パス識別を提供する。
CVSS(Common Vulnerability Scoring System)スコアが組み込まれている。
論文 参考訳（メタデータ） (2025-06-01T04:33:34Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
本稿では,敵攻撃に基づく革新的な手法を提案する。
このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。
提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
論文 参考訳（メタデータ） (2024-12-22T07:06:46Z)
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。