論文の概要: SMETA-ZSL:Semantic Meta-Alignment for Zero-Shot Threat Classification

• arxiv url: http://arxiv.org/abs/2607.09936v1
• Date: Fri, 10 Jul 2026 19:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.249936
• Title: SMETA-ZSL:Semantic Meta-Alignment for Zero-Shot Threat Classification
• Title（参考訳）: SMETA-ZSL:ゼロショット脅威分類のための意味的メタアライメント
• Abstract要約: サイバーセキュリティシステムは 脅威に迅速に対応しなければなりません 新しい脅威カテゴリのラベル付きデータは これらの脅威が最初に現れると 利用できない。 一般化されたゼロショット学習は、目に見えないクラスの認識を可能にすることで自然な解を提供する。
• 参考スコア（独自算出の注目度）: 0.19999259391104388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cybersecurity systems must adapt rapidly to emerging threats. However, labeled data for new threat categories is unavailable when those threats first appear. Generalized zero-shot learning offers a natural solution by enabling recognition of unseen classes through auxiliary semantic knowledge rather than labeled examples. Large language models are particularly promising in this setting because they can convert unstructured CTI reports into semantic prototypes for emerging threats. However, applying language-driven zero-shot learning to cybersecurity is difficult due to strong semantic overlap between threat descriptions, heterogeneity between behavioral attributes and text, severe class imbalance, and open-set conditions where unseen threats are unknown during training. We propose SMETA-ZSL, that learns semantic prototypes from overlapping language descriptions through contrastive finetuning, aligns behavioral features through episodic meta-learning and knowledge distillation, and performs adaptive routing for generalization across seen-unseen classes. Across 7 benchmarks, SMETA-ZSL delivers the strongest overall generalized zero-shot performance under the strictest inductive setting, surpassing prior methods by 10.8 points on average, with gains up to 18.1 points. Github:https://github.com/Security-And-Intelligence-Lab-UTEP/SMETA-ZSL
• Abstract（参考訳）: サイバーセキュリティシステムは、新興の脅威に迅速に対応しなければならない。 しかし、これらの脅威が最初に現れると、新しい脅威カテゴリのラベル付きデータは利用できない。 一般化ゼロショット学習は、ラベル付き例ではなく、補助的な意味知識を通じて、目に見えないクラスの認識を可能にすることで、自然な解を提供する。 大規模言語モデルは、非構造化のCTIレポートを新たな脅威のためのセマンティックプロトタイプに変換することができるため、この設定で特に有望である。 しかし, 言語によるゼロショット学習をサイバーセキュリティに適用することは, 脅威記述の強い意味的重複, 行動属性とテキストの不均一性, 厳しいクラス不均衡, 未確認脅威が不明なオープンセット条件などにより困難である。 コントラスト的な微調整によって言語記述の重なり合いからセマンティックプロトタイプを学習し、エピソードなメタラーニングと知識蒸留により行動特徴を整列し、目に見えないクラスをまたいだ一般化のための適応的ルーティングを行うSMETA-ZSLを提案する。 7つのベンチマークでSMETA-ZSLは、最も厳密なインダクティブな設定で、これまでの手法を平均10.8ポイント上回り、18.1ポイントまで上昇した。 Github:https://github.com/Security-And-Intelligence-Lab-UTEP/SMETA-ZSL

関連論文リスト

• Weakly Supervised Incremental Segmentation via Semantic Anchors and Spatial Arbitration [8.498917049783191]
  SASAはセマンティックアンカーと空間配置によるセマンティック学習を安定化させるように設計されている。 表現レベルでは、学習可能なトークンのセマンティックアンカーを、長期的なセマンティックアイデンティティを保持するための厳密なクラスレベルの参照として導入する。 本研究では,信頼できない信号を直接フィルタリングし,厳密な「1つの対象,1つのクラス」制約を強制する空間ラベルアロケーション機構を開発する。
  論文  参考訳（メタデータ） (2026-06-02T12:10:46Z)
• CIBER: A Comprehensive Benchmark for Security Evaluation of Code Interpreter Agents [27.35968236632966]
  LLMベースのコードインタプリタエージェントは、ますます重要な状況にデプロイされている。 既存のベンチマークでは、動的コード実行、ツールインタラクション、マルチターンコンテキストから生じるセキュリティリスクをキャプチャできない。 動的アタック生成、分離されたセキュアサンドボックス、状態認識評価を組み合わせた自動ベンチマークであるCIBERを紹介する。
  論文  参考訳（メタデータ） (2026-02-23T06:41:41Z)
• Sentra-Guard: A Multilingual Human-AI Framework for Real-Time Defense Against Adversarial LLM Jailbreaks [0.31984926651189866]
  Sentra-Guardは、大規模言語モデル(LLM)のためのリアルタイムモジュールディフェンスシステムである。 このフレームワークは、FAISSにインデックスされたSBERT埋め込み表現とハイブリッドアーキテクチャを使用して、プロンプトの意味をキャプチャする。 直接攻撃ベクトルと難解攻撃ベクトルの両方において、敵のプロンプトを識別する。
  論文  参考訳（メタデータ） (2025-10-26T11:19:47Z)
• OMNIGUARD: An Efficient Approach for AI Safety Moderation Across Modalities [54.152681077418805]
  現在の検出アプローチは誤りがあり、特にモデル機能のミスマッチした一般化を利用する攻撃の影響を受けやすい。 OMNIGUARDは,言語やモダリティにまたがる有害なプロンプトを検出する手法である。 提案手法は,多言語環境において最強のベースラインよりも11.57%,有害なプロンプト分類精度を向上する。
  論文  参考訳（メタデータ） (2025-05-29T05:25:27Z)
• Defending Large Language Models against Jailbreak Attacks via Semantic Smoothing [107.97160023681184]
  適応型大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。 提案するSEMANTICSMOOTHは,与えられた入力プロンプトのセマンティック変換されたコピーの予測を集約するスムージングベースのディフェンスである。
  論文  参考訳（メタデータ） (2024-02-25T20:36:03Z)
• Stacking an autoencoder for feature selection of zero-day threats [0.0]
  本研究では,人工ニューラルネットワークの一種である積み重ねオートエンコーダ(SAE)の特徴選択とゼロデイ脅威分類への応用について検討する。 オートエンコーダの学習重量とアクティベーションを分析し、ゼロデイ脅威と通常のシステム動作を識別する最も重要な特徴を同定する。 その結果,SAE-LSTMは高い精度,リコール,F1スコアを示すことにより,3つの攻撃カテゴリすべてで良好に機能することがわかった。
  論文  参考訳（メタデータ） (2023-11-01T05:29:42Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
  ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。 本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。 実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
  論文  参考訳（メタデータ） (2021-04-22T04:16:43Z)
• Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning [82.07273754143547]
  トレーニング中に見られないカテゴリにモデルを一般化するためのメタ連続ゼロショット学習(MCZSL)アプローチを提案する。 属性の自己決定とスケールしたクラス正規化をメタラーニングベースのトレーニングと組み合わせることで、最先端の成果を上回ることができるのです。
  論文  参考訳（メタデータ） (2021-02-23T18:36:14Z)

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。