論文の概要: (EC)2: Event-Centric Explainability for Cybersecurity Through Multi-Agent LLM Investigations

• arxiv url: http://arxiv.org/abs/2607.26201v1
• Date: Tue, 28 Jul 2026 19:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.454632
• Title: (EC)2: Event-Centric Explainability for Cybersecurity Through Multi-Agent LLM Investigations
• Title（参考訳）: (EC)2:マルチエージェントLCM調査によるサイバーセキュリティのイベント中心説明可能性
• Abstract要約: セキュリティ・オペレーション・センターは不審な事象を通知するために異常検知システムに依存している。 アラートを効果的に処理するには、アナリストはコンテキストの関係を理解し、関連するエンティティの実用的な理解が必要である。 本稿では,小～中規模の企業ネットワークにおいて,サイバーセキュリティ警告を説明するためのイベント中心の検知非依存アプローチを提案する。
• 参考スコア（独自算出の注目度）: 12.295060683282875
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Security operations centers rely on anomaly detection systems to flag suspicious events. Feature-level explanations for anomaly detectors offer limited value for operational investigations. To effectively handle alerts, analysts need to know contextual relationships and need actionable understanding of the entities involved. This paper introduces an event-centric detector-agnostic approach for explaining cybersecurity alerts in small- to medium-sized enterprise networks. We present (EC)2, a multi-agent framework that performs structured, hypothesis-driven investigation to provide explanations grounded in verifiable evidence. Evaluation results show that the proposed framework improves post-detection analysis by generating operationally meaningful explanations, which also enhance event classification accuracy.
• Abstract（参考訳）: セキュリティ・オペレーション・センターは不審な事象を通知するために異常検知システムに依存している。 異常検知器の特徴レベル説明は、運用調査に限定的な価値を提供する。 アラートを効果的に処理するには、アナリストはコンテキストの関係を理解し、関連するエンティティの実用的な理解が必要である。 本稿では,小～中規模の企業ネットワークにおいて,サイバーセキュリティ警告を説明するためのイベント中心の検知非依存アプローチを提案する。 検証された証拠に基づく説明を提供するため,構造化された仮説駆動型調査を行う多エージェントフレームワークである(EC)2を提案する。 評価の結果,提案フレームワークは,操作上意味のある説明を生成し,事象の分類精度を向上させることにより,検出後分析の改善を図っている。

関連論文リスト

• AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
  AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。 本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
  論文  参考訳（メタデータ） (2026-08-26T11:48:38Z)
• Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
  本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。 不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。 AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-07-15T14:30:20Z)
• Explaining Intrusion Alert Decisions of Deep Learning-based Network Intrusion Detection Systems for Security Analysts [2.307833568494795]
  DLベースのNIDSの侵入検出決定を説明できる新しいフレームワークであるEXP-SECを提案する。 EXP-SEC を最先端の DL ベース NIDS で評価した結果,EXP-SEC が xNIDS よりもグループレベル・重複型説明ユーティリティの指標で優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-13T23:10:17Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• 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)
• SEASONED: Semantic-Enhanced Self-Counterfactual Explainable Detection of Adversarial Exploiter Contracts [15.472031889711616]
  味付けは、AEC検出のための効果的で自己説明的で堅牢なフレームワークである。 味付けは、契約バイトコードから意味情報を抽出し、意味関係グラフを構築する。 SRGを分類し、コアアタックロジックをハイライトする説明を生成する。
  論文  参考訳（メタデータ） (2025-09-06T11:08:10Z)
• Advancing Neural Network Verification through Hierarchical Safety Abstract Interpretation [52.626086874715284]
  我々は、安全でない出力の階層構造を検証する抽象的DNN検証と呼ばれる新しい問題定式化を導入する。 出力到達可能な集合に関する抽象的解釈と推論を活用することにより,形式的検証プロセスにおいて,複数の安全性レベルを評価することができる。 我々の貢献には、新しい抽象的安全性の定式化と既存のアプローチとの関係を理論的に探求することが含まれる。
  論文  参考訳（メタデータ） (2025-05-08T13:29:46Z)
• AnomalyAID: Reliable Interpretation for Semi-supervised Network Anomaly Detection [8.776201861433133]
  AnomalyAIDは、異常検出プロセスを解釈し、解釈結果の信頼性を向上させることを目的としている。 本稿では,グローバル・ローカル・インタプリタを利用した新しい解釈手法を提案する。 両段階のモデル予測を特別な制約に合わせることで,ネットワーク異常検出のための新たな2段階半教師付き学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-11-18T05:39:00Z)
• Coca: Improving and Explaining Graph Neural Network-Based Vulnerability Detection Systems [16.005996517940964]
  グラフニューラルネットワーク(GNN)ベースの脆弱性検出システムは大きな成功を収めている。 説明責任の欠如は、セキュリティ関連ドメインにブラックボックスモデルをデプロイする上で重要な課題となる。 我々は,既存のGNNベースの脆弱性検出モデルの堅牢性向上を目的とした,一般的なフレームワークであるCocaを提案する。
  論文  参考訳（メタデータ） (2024-01-26T14:14:52Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。