論文の概要: TrainShield: Targeted Awareness for Cybersecurity Training
- arxiv url: http://arxiv.org/abs/2608.02296v1
- Date: Mon, 03 Aug 2026 14:24:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.599288
- Title: TrainShield: Targeted Awareness for Cybersecurity Training
- Title（参考訳）: TrainShield:サイバーセキュリティトレーニングのターゲット意識
- Abstract要約: TrainShieldは、コンテキストサイバーセキュリティトレーニングのためのインタラクションパラダイムである。
適応的な学習の介入をユーザワークフローに直接埋め込む。
システムは、リアルタイムリスク検出とイベントトリガーされたハイパーメディアオーバーレイを統合する。
- 参考スコア（独自算出の注目度）: 0.591108750771621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, cybersecurity threats have increasingly exploited human behaviour rather than purely technical vulnerabilities, exposing the limits of traditional awareness programmes delivered outside real-world contexts. To bridge this gap, we introduce TrainShield, an interaction paradigm for contextual cybersecurity training that embeds adaptive learning interventions directly within user workflows. The system integrates real-time risk detection (e.g., phishing and data loss prevention) with event-triggered hypermedia overlays that dynamically connect users to context-specific learning nodes embedded within their browsing workflow to deliver personalised micro-learning content and structured feedback tailored to the user's knowledge level and current context. This approach operationalises behavioural theories by transforming security incidents into immediate learning opportunities, shifting users from automatic to reflective decision-making at critical moments. We further formalise a design model that maps detected events to adaptive training instances, combining user modelling, context extraction, and large language model (LLM)-based content generation. A preliminary study indicates that the approach is perceived as useful in increasing risk awareness and is preferred over lengthy and asynchronous traditional training formats, while also highlighting challenges in aligning generated content with user expectations. Overall, the results suggest that embedding contextual, event-driven training within everyday interactions is a promising direction for behaviour-oriented cybersecurity education.
- Abstract（参考訳）: 近年、サイバーセキュリティの脅威は、純粋に技術的な脆弱性ではなく、人間の行動を悪用し、現実世界の文脈外の伝統的な認識プログラムの限界を露呈している。
このギャップを埋めるために、私たちはTrainShieldを紹介します。TrainShieldは、ユーザのワークフローに直接適応的な学習介入を組み込むコンテキストサイバーセキュリティトレーニングのためのインタラクションパラダイムです。
このシステムは、リアルタイムリスク検出(例えば、フィッシングとデータ損失防止)とイベントトリガーによるハイパーメディアオーバーレイを統合し、ユーザのワークフローに埋め込まれたコンテキスト固有の学習ノードに動的に接続することで、個人化されたマイクロラーニングコンテンツと、ユーザの知識レベルと現在のコンテキストに合わせた構造化されたフィードバックを提供する。
このアプローチは,セキュリティインシデントを即時学習の機会に転換することで行動理論を運用する。
さらに,検出された事象を適応的なトレーニングインスタンスにマッピングし,ユーザモデリング,コンテキスト抽出,大規模言語モデル(LLM)に基づくコンテンツ生成を組み合わせた設計モデルを策定する。
予備的な研究では、このアプローチはリスク認識の増大に有用であり、長く非同期なトレーニングフォーマットよりも好まれると同時に、生成されたコンテンツとユーザの期待を一致させる上での課題を強調している。
全体としては、日常のインタラクションにコンテキストベースのイベント駆動トレーニングを組み込むことが、行動指向のサイバーセキュリティ教育にとって有望な方向であることを示唆している。
関連論文リスト
- Boundary-targeted Membership Inference Attacks on Safety Classifiers [70.20833439671131]
安全分類器は、セルフハームとメンタルヘルスの議論を含むセンシティブなデータセットに基づいて訓練される。
低信頼例を識別する新たな境界目標選択戦略を導入する。
実験により、相手は会話の19%を安全分類器が5%の偽陽性率でユーザーの苦痛を示すようにフラグ付けして回復できることが示された。
これは最先端のMIAメソッドだけで攻撃するより3.5ドル高い。
論文 参考訳（メタデータ） (2026-05-21T12:05:22Z) - Capability-Oriented Training Induced Alignment Risk [101.37328448441208]
我々は、強化学習で訓練された言語モデルが、その報酬を最大化するために欠陥を利用することを自然に学習するかどうかを考察する。
我々の実験は、モデルがこれらの脆弱性を常に活用し、タスクの正しさや安全性を犠牲にして報酬を著しく増大させる機会論的戦略を発見していることを示している。
我々の研究結果は、将来のAIの安全作業がコンテンツモデレーションを超えて、トレーニング環境の厳格な監査と確保、および報奨メカニズム自体に拡張する必要があることを示唆している。
論文 参考訳（メタデータ） (2026-02-12T16:13:14Z) - SafeRedir: Prompt Embedding Redirection for Robust Unlearning in Image Generation Models [67.84174763413178]
我々はSafeRedirを紹介した。SafeRedirは、迅速な埋め込みリダイレクトによる堅牢なアンラーニングのための軽量な推論時フレームワークである。
SafeRedirは,効果的な非学習能力,意味的・知覚的保存能力,堅牢な画像品質,対人攻撃に対する耐性の向上を実現している。
論文 参考訳（メタデータ） (2026-01-13T15:01:38Z) - Pre-Forgettable Models: Prompt Learning as a Native Mechanism for Unlearning [9.512928441517811]
ファンデーションモデルは、様々なモダリティやタスクにまたがる堅牢で伝達可能な表現を可能にすることによって、マルチメディア分析を変革してきた。
リトレーニング、アクティベーション編集、蒸留を含む従来の未学習のアプローチは、しばしば高価で脆弱で、リアルタイムまたは継続的な進化するシステムに不適である。
本稿では,知識の獲得と除去を1つの学習段階内に統一する,プロンプトベースの学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-05T13:28:04Z) - Adaptive Neural Networks for Intelligent Data-Driven Development [1.3654846342364308]
本稿では,既知の物体を現在の知覚システムに効率的に組み込むことができる適応型ニューラルネットワークアーキテクチャを提案する。
1)既存の性能を維持しながら新しいクラスを統合するスケーラブルなネットワーク拡張戦略,(2)新たに追加されたクラスの追加リトレーニングを必要としない動的OoD検出コンポーネント,(3)安全クリティカルなデプロイメントに適した検索ベースのデータ拡張プロセスである。
論文 参考訳（メタデータ） (2025-02-14T23:18:54Z) - Improving Network Threat Detection by Knowledge Graph, Large Language Model, and Imbalanced Learning [13.266443651005462]
提案されたフレームワークは,オンラインシーケンス学習によるアジャイル脅威検出に適用される。
予備的な結果は, 脅威捕捉率を3%-4%向上させ, ユーザの行動に基づくリスク予測の解釈可能性の向上を示した。
論文 参考訳（メタデータ） (2025-01-26T14:59:47Z) - Continual Task Learning through Adaptive Policy Self-Composition [54.95680427960524]
CompoFormerは構造ベースの連続トランスフォーマーモデルであり、メタポリシックネットワークを介して、以前のポリシーを適応的に構成する。
実験の結果,CompoFormerは従来の継続学習法(CL)よりも優れており,特にタスクシーケンスが長いことが判明した。
論文 参考訳（メタデータ） (2024-11-18T08:20:21Z) - Siren -- Advancing Cybersecurity through Deception and Adaptive Analysis [0.0]
このプロジェクトは、制御された環境に潜在的な脅威を引き出すための洗練された手法を採用している。
アーキテクチャフレームワークには、リンク監視プロキシ、動的リンク分析のための機械学習モデルが含まれている。
シミュレーションされたユーザアクティビティの組み入れは、潜在的攻撃者からの攻撃を捕捉し、学習するシステムの能力を拡張する。
論文 参考訳（メタデータ） (2024-06-10T12:47:49Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Sparsity-aware neural user behavior modeling in online interaction
platforms [2.4036844268502766]
ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。
問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。
ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
論文 参考訳（メタデータ） (2022-02-28T00:27:11Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z)
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。