論文の概要: When to Trust the Map: Confidence-Aware LLM Routing for Automotive CVE-to-ATM Mapping

• arxiv url: http://arxiv.org/abs/2607.18684v1
• Date: Tue, 21 Jul 2026 04:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.304373
• Title: When to Trust the Map: Confidence-Aware LLM Routing for Automotive CVE-to-ATM Mapping
• Title（参考訳）: 信頼できるLCMルーティングによる自動車用CVE-ATMマッピング
• Abstract要約: 一方、Auto-ISAC Automotive Threat Matrix (ATM)は敵の戦術とテクニックを表現している。 本稿では,自動CVE-ATMマッピングを選択的自動化問題として再検討する。
• 参考スコア（独自算出の注目度）: 3.4937039551310107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public CVE descriptions report the technical conditions and impact of vulnerabilities, whereas the Auto-ISAC Automotive Threat Matrix (ATM) expresses an adversary's tactics and techniques. Because the two representations are not directly aligned, incorrect automated mappings in safety-critical environments may distort threat interpretation and mitigation prioritization, motivating a confidence-aware approach that distinguishes auto-confirmable mappings from uncertain cases. This paper reformulates automotive CVE-to-ATM mapping as a selective automation problem. The proposed framework generates candidate mappings via hierarchical in-context learning, then fuses self-consistency and LLM-based evidence verification signals into a calibrated meta-model. The resulting calibrated confidence score routes each candidate into AUTO, REVIEW, or HOLD. On the evaluation set, the proposed system substantially improved candidate-set precision at matched recall over a Flat zero-shot GPT-5.2 baseline. In the High-Confidence operating mode, the AUTO tier achieved a precision of 0.878, more than double the candidate-set base rate, and the calibrated confidence score achieved an AUROC of 0.868 in distinguishing correct from incorrect candidates. These results show that the framework can support selective automation by isolating auto-confirmable mappings from those requiring analyst review.
• Abstract（参考訳）: 一方、Auto-ISAC Automotive Threat Matrix (ATM)は敵の戦術とテクニックを表現している。 2つの表現は直接整合しないため、安全クリティカルな環境における不正確な自動マッピングは脅威の解釈を歪め、優先順位付けを軽減し、不確実なケースから自己確認可能なマッピングを区別する自信を意識するアプローチを動機付けている。 本稿では,自動CVE-ATMマッピングを選択的自動化問題として再検討する。 提案フレームワークは階層型インコンテキスト学習により候補マッピングを生成し,自己整合性とLCMに基づく証拠検証信号を校正メタモデルに融合する。 その結果得られた評価スコアは、各候補をAUTO、REVIEW、HOLDにルートする。 評価セットでは,Flat 0-shot GPT-5.2ベースラインに対して,一致したリコール時の候補セット精度を大幅に向上する。 高信頼動作モードでは、AUTO階層は、候補セットベースレートの2倍以上の0.878の精度を達成し、校正された信頼スコアは、不正候補と正しく区別して0.868のAUROCを達成した。 これらの結果から,自動確認可能なマッピングをアナリストのレビューを必要とするものから分離することで,フレームワークが選択的自動化をサポートできることが示唆された。

関連論文リスト

• CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity [22.68559728326395]
  CyberLLMは、脆弱性を自律的に検出し、正式なランタイム安全ガードの下で修正を実行するフレームワークである。 決定エージェントは発見を集約し、人間中心のアセット分類でタグ付けし、タイレッド応答を選択する。 対称攻撃パイプラインはエクスプロイトを生成し再生し、両方のサイドを同じシナリオで実行することができる。
  論文  参考訳（メタデータ） (2026-08-06T23:39:13Z)
• Automating Quality Assessment with NLP of LLM-Generated Defeaters [1.8810916321241071]
  本稿では,自然言語処理技術を用いた敗者評価を支援するための自動手法を提案する。 この手法は、保証ケースグラフとセマンティック埋め込みと、専門家評価された敗者アノテーションに基づいて訓練されたメタ分類器との構造的特徴を組み合わせる。 その結果、コーエンのカッパ値は0.442未満であり、一貫性のある手作業による評価の難しさを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-07-07T09:15:23Z)
• Auto-ART: Structured Literature Synthesis and Automated Adversarial Robustness Testing [0.0]
  我々は7つの補完プロトコルを用いて9つのピアレビューコーパスソースを分析した。 特定ギャップを運用するオープンソースのフレームワークであるAuto-ARTを紹介します。 RobustBenchの実証検証では、Auto-ARTの事前スクリーニングでは、フラグ付きケースの92%で勾配マスキングが特定されている。
  論文  参考訳（メタデータ） (2026-04-22T15:46:11Z)
• Are we still able to recognize pearls? Machine-driven peer review and the risk to creativity: An explainable RAG-XAI detection framework with markers extraction [7.723181091241251]
  本稿では、レビュー品質を評価し、自動パターンを検出するための説明可能なフレームワーク(RAG-XAI)を提案する。 XGBoost、Random Forest、LightGBMは99.61%、AUC-ROCは0.999以上、F1スコアは0.9925である。
  論文  参考訳（メタデータ） (2026-04-09T08:25:49Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• SAVANT: Semantic Analysis with Vision-Augmented Anomaly deTection [6.806105013817923]
  SAVANTは、異常運転シナリオの検出において高精度なリコールを実現する構造化推論フレームワークである。 9,640以上の実世界の画像を高精度にラベル付けすることで、SAVANTは異常検出における重要なデータ不足問題に対処する。
  論文  参考訳（メタデータ） (2025-10-20T19:14:29Z)
• Judging with Confidence: Calibrating Autoraters to Preference Distributions [56.17041629492863]
  信頼性の高いオートラッターは、対象の個体群によって定義される嗜好の完全な分布をモデル化することを学ぶ必要がある、と我々は主張する。 異なるデータ条件に合わせた2つの学習方法を提案する。 この結果から, 分布マッチング目的の微調整オートレーダは, 目的の好み分布に整合した有言確率予測を導出することがわかった。
  論文  参考訳（メタデータ） (2025-09-30T20:36:41Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• ASSERT: Automated Safety Scenario Red Teaming for Evaluating the Robustness of Large Language Models [65.79770974145983]
  ASSERT、Automated Safety Scenario Red Teamingは、セマンティックなアグリゲーション、ターゲットブートストラップ、敵の知識注入という3つの方法で構成されている。 このプロンプトを4つの安全領域に分割し、ドメインがモデルの性能にどのように影響するかを詳細に分析する。 統計的に有意な性能差は, 意味的関連シナリオにおける絶対分類精度が最大11%, ゼロショット逆数設定では最大19%の絶対誤差率であることがわかった。
  論文  参考訳（メタデータ） (2023-10-14T17:10:28Z)
• Hybrid PLS-ML Authentication Scheme for V2I Communication Networks [0.0]
  本稿では,送信機の位置をデバイス指紋として利用して,PLS(Hybrid physical Layer Security)-machine Learning (ML)認証手法を提案する。 我々は、ToAを道路側ユニット(RSU)で推定し、基地局(BS)で送信機の座標を抽出する、ToA(Time-of-arrival)ベースのローカライゼーション機構を用いる。 移動車両の移動性を追跡するため,複数のシステムパラメータに基づいて学習したMLモデルを用いて,提案した位置ベース機構が検出に失敗した場合のベースラインスキームを著しく上回っていることを観察した。
  論文  参考訳（メタデータ） (2023-08-28T16:34:50Z)

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。