論文の概要: A Self-Explainable Deep Architecture for Security Applications

• arxiv url: http://arxiv.org/abs/2608.05552v1
• Date: Thu, 06 Aug 2026 03:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.694448
• Title: A Self-Explainable Deep Architecture for Security Applications
• Title（参考訳）: セキュリティアプリケーションのための自己説明可能なディープアーキテクチャ
• Abstract要約: セキュリティアプリケーション用に開発された自己説明可能なディープアーキテクチャであるXSecを紹介する。 トレーニング中、XSecは新しいマスクベースのアプローチを使用して、データから情報サブフィーチャを抽出する。 次に、XSecはテスト時に専用の類似度層でプロトタイプを利用し、類似度スコアを計算し、ポストホック解析を必要とせずに解釈可能な説明を生成する。 我々は、XSecを5つの異なるセキュリティシナリオで評価し、パフォーマンスの妥協を最小限にして、平均的な分類精度97.33%を達成する能力を示した。
• 参考スコア（独自算出の注目度）: 19.98791465260198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have become integral to security applications due to their ability to model complex relationships in data and detect sophisticated threats. However, their complexity makes it difficult to understand how predictions are generated, posing significant challenges for interpretability, particularly in security applications where transparency is critical. Existing explanation methods, such as visual explanation techniques and post-hoc approaches, suffer from several limitations: reduced faithfulness due to local approximation errors, instability caused by reliance on randomness, and computational inefficiency that hinders real-time usage. To address these issues, we introduce XSec, a self-explainable deep architecture developed for security applications. During training, XSec uses a novel mask-based approach to extract informative sub-features from the data and learns prototypes, representative patterns that characterize each class. XSec then leverages the prototypes in a dedicated similarity layer at test time to compute similarity scores and generates interpretable explanations without the need for post-hoc analysis. We evaluate XSec across five diverse security scenarios, demonstrating its ability to achieve an average classification accuracy of 97.33% with minimal performance compromise. XSec produces deterministic explanations for a fixed trained model and input and substantially reduces explanation latency compared with approximation-based and perturbation-based post-hoc methods. Through this effort, we extend the applicability of self-explainable AI to security applications, bridging the gap between deep learning performance and the need for explainability in critical scenarios.
• Abstract（参考訳）: ディープラーニングモデルは、データ内の複雑な関係をモデル化し、洗練された脅威を検出する能力によって、セキュリティアプリケーションにとって不可欠なものになっている。 しかし、その複雑さは、どのように予測が生成されるかを理解するのを難しくし、特に透明性が重要であるセキュリティアプリケーションにおいて、解釈可能性に大きな課題を生じさせる。 視覚的説明法やポストホックアプローチのような既存の説明法には、局所近似誤差による忠実度低下、ランダム性への依存による不安定性、リアルタイムの使用を妨げる計算的非効率性など、いくつかの制限がある。 これらの問題に対処するために,セキュリティアプリケーション用に開発された自己説明可能なディープアーキテクチャであるXSecを紹介する。 トレーニング中、XSecは新しいマスクベースのアプローチを使用して、データから情報的サブ機能を取り出し、各クラスを特徴付けるプロトタイプ、代表パターンを学ぶ。 次に、XSecはテスト時に専用の類似度層でプロトタイプを利用し、類似度スコアを計算し、ポストホック解析を必要とせずに解釈可能な説明を生成する。 我々は、XSecを5つの異なるセキュリティシナリオで評価し、パフォーマンスの妥協を最小限にして、平均的な分類精度97.33%を達成する能力を示した。 XSecは、固定トレーニングモデルと入力に対する決定論的説明を生成し、近似ベースや摂動ベースのポストホック法と比較して、説明遅延を大幅に低減する。 この取り組みを通じて、我々は、自己説明可能なAIをセキュリティアプリケーションに適用し、ディープラーニングのパフォーマンスと重要なシナリオにおける説明可能性のギャップを埋める。

関連論文リスト

• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Efficient Credal Prediction through Decalibration [27.17944683306638]
  本稿では, 相対的可能性の概念を基礎として, 断裂予測を効率的に行う方法を提案する。 提案手法は, 多様なタスクにまたがって, 高い性能でクレーダル集合を生成することを示す。 特に,TabPFNやCLIPなどのモデルに対して,致命的な予測を示す。
  論文  参考訳（メタデータ） (2026-03-09T15:30:10Z)
• AI Agentic Vulnerability Injection And Transformation with Optimized Reasoning [2.918225266151982]
  AVIATORはAIによる最初の脆弱性注入ワークフローである。 高忠実で多様な大規模な脆弱性データセット生成のために、現実的でカテゴリ固有の脆弱性を自動的に注入する。 セマンティック分析、LoRAベースのファインチューニングとRetrieval-Augmented Generationで強化されたインジェクション合成、静的解析とLLMベースの識別器によるインジェクション後の検証を組み合わせる。
  論文  参考訳（メタデータ） (2025-08-28T14:59:39Z)
• Does More Inference-Time Compute Really Help Robustness? [50.47666612618054]
  小規模なオープンソースモデルは、推論時間スケーリングの恩恵を受けることができることを示す。 我々は、逆スケーリング法として、直感的に動機付けられ、実証的に検証された重要なセキュリティリスクを特定します。 私たちは、セキュリティに敏感で現実世界のアプリケーションに推論タイムのスケーリングを適用する前に、実践者にこれらの微妙なトレードオフを慎重に検討するよう促します。
  論文  参考訳（メタデータ） (2025-07-21T18:08:38Z)
• Assessing reliability of explanations in unbalanced datasets: a use-case on the occurrence of frost events [39.981755859250505]
  本研究では,不均衡データセットの特定の場合における説明の信頼性を評価するための予備的な知見を提供する。 本稿では, 近隣住民の1次元生成, 説明集約, 説明整合性テストのための指標を活用するマイノリティクラスに着目した簡易な評価法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T09:12:38Z)
• Interpretable Anomaly Detection in Encrypted Traffic Using SHAP with Machine Learning Models [0.0]
  本研究の目的は,暗号化されたネットワークトラフィックにおける異常検出のための解釈可能な機械学習ベースのフレームワークを開発することである。 モデルはトレーニングされ、3つのベンチマークで暗号化されたトラフィックデータセットで評価される。 SHAPビジュアライゼーションは、異常予測に寄与する最も影響力のあるトラフィック特徴を明らかにした。
  論文  参考訳（メタデータ） (2025-05-22T05:50:39Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations [1.0370398945228227]
  本稿では,機械学習モデルに対する確率論的原因・効果説明を提供するLaPLACE-Explainerを紹介する。 LaPLACE-Explainerコンポーネントはマルコフ毛布の概念を利用して、関連する特徴と非関連する特徴の間の統計的境界を確立する。 提案手法は,LIME と SHAP の局所的精度と特徴の整合性の観点から,因果的説明と性能を向上する。
  論文  参考訳（メタデータ） (2023-10-01T04:09:59Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。