論文の概要: STAIR: Effective Incident Response Using an End-to-End Agentic Planning Framework

• arxiv url: http://arxiv.org/abs/2608.09524v1
• Date: Mon, 10 Aug 2026 12:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.259531
• Title: STAIR: Effective Incident Response Using an End-to-End Agentic Planning Framework
• Title（参考訳）: STAIR:エンド・ツー・エンドのエージェント・プランニング・フレームワークを用いた効果的なインシデント応答
• Abstract要約: 本稿では、インシデント応答のためのエンドツーエンドのエージェント計画フレームワークSTAIRを紹介する。 現在のインシデントをGraph-as-Stateとして維持し、Stage Routerを使用して、ステージ特定エージェントにプランニングをディスパッチし、アクション選択のガイドとして歴史的なエクスペリエンスを検索する。 Execution Harnessはアクションを実行し、インシデント状態を更新するためにフィードバックを返す。
• 参考スコア（独自算出の注目度）: 13.015878256406962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incident response planning is critical for restoring compromised software systems after cyberattacks. Common practice relies on expert-driven playbooks that encode fixed response procedures, but these static workflows struggle to adapt to evolving incident states, changing recovery objectives, and execution feedback. Recent LLM-based planners and tool-using agents improve automation, yet they remain unstable in long-horizon response because they lack a unified basis for maintaining incident state, aligning actions with the current recovery stage, and reusing historical experience. We present STAIR, an end-to-end agentic planning framework for incident response. The framework maintains the current incident as Graph-as-State, uses a Stage Router to dispatch planning to stage-specialized agents, and retrieves historical experiences to guide action selection. An Execution Harness executes actions, returns feedback to update the incident state, and validates action effects for future experience reuse. Across 100 Docker-based cyber ranges, our framework achieves a normalized defense score of 0.94 and improves over the strongest baseline by 9.5%.
• Abstract（参考訳）: インシデント対応計画は、サイバー攻撃後のソフトウェアシステムの復旧に不可欠である。 一般的なプラクティスは、固定応答手順をエンコードする専門家主導のプレイブックに依存するが、これらの静的ワークフローは、進化するインシデント状態への適応、リカバリ目標の変更、実行時のフィードバックに苦労する。 近年のLSMベースの計画立案者やツール利用エージェントは、自動化を向上しているが、インシデント状態の維持、現在のリカバリ段階との整合、過去の経験の再利用のための統一基盤が欠如しているため、長期的な対応では不安定なままである。 本稿では、インシデント応答のためのエンドツーエンドのエージェント計画フレームワークSTAIRを紹介する。 このフレームワークは、現在のインシデントをGraph-as-Stateとして維持し、ステージルータを使用して、ステージ特化エージェントにプランニングをディスパッチし、アクション選択をガイドするために歴史的なエクスペリエンスを検索する。 Execution Harnessはアクションを実行し、インシデント状態を更新するためにフィードバックを返す。 Dockerベースの100のサイバー範囲で、当社のフレームワークは正規化された防御スコア0.94を達成し、最強のベースラインを9.5%改善しています。

関連論文リスト

• Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference [7.174851769918924]
  大規模言語モデル(LLM)エージェントは、運用状況に対して推論できるが、攻撃や応答を幻覚させる可能性がある。 LLMに基づく攻撃予測,ロールアウト計画,デジタルツイン検証を統合した階層型エージェント応答フレームワークを提案する。 3つのマルチステージ攻撃シナリオ下で33コンポーネントのエンタープライズネットワークテストベッド上で,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） (2026-08-15T04:01:27Z)
• Imagining Recovery: Inference-Time Counterfactual Realignment for Vision-Language-Action Models [10.832654624297135]
  視覚言語アクション(VLA)モデルは、オンラインのディスラプションに対して脆弱である。 我々は,凍結したVLAを故障データなしで推論時に復元する,トレーニング不要なフレームワークであるCoReを提案する。
  論文  参考訳（メタデータ） (2026-08-14T18:49:46Z)
• From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
  大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。 最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。 縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。 IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-08-03T12:52:04Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation [45.37258918150899]
  本稿では,操作タスクを有向タスクグラフとしてモデル化するエージェントシステムであるAgentChordを紹介する。 実行前に、このグラフには、コンテキスト対応の修正動作を指定する予測リカバリブランチが組み込まれている。 多様な長距離双方向操作タスクに関する実証研究は、AgentChordが成功率と実行効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-12T11:00:45Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• When Actions Go Off-Task: Detecting and Correcting Misaligned Actions in Computer-Use Agents [50.5814495434565]
  この研究は、コンピュータ利用エージェント(CUA)における不整合検出を定義し、研究する最初の試みである。 実世界のCUAデプロイメントにおける3つの一般的なカテゴリを特定し、人間の注釈付きアクションレベルのアライメントラベルを用いたリアルな軌跡のベンチマークであるMisActBenchを構築した。 本稿では,実行前に不整合を検知し,構造化されたフィードバックによって繰り返し修正する,実用的で普遍的なガードレールであるDeActionを提案する。
  論文  参考訳（メタデータ） (2026-02-09T18:41:15Z)
• Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
  本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。 AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
  論文  参考訳（メタデータ） (2025-08-15T07:48:51Z)
• A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees [1.3481665321936716]
  本稿では,リアクティブプランナであるVLM(Vision-Language Models)とBT(Behavior Trees)を組み合わせて,リアルタイムの障害処理を実現する,統合された障害復旧フレームワークを提案する。 当社のアプローチには、実行前の潜在的な障害をチェックする事前実行検証と、実行中の障害を検出し修正するリアクティブ障害処理が含まれている。 我々は、ペグ挿入、オブジェクトソート、引き手の配置といったタスクにおいて、ABB YuMiロボットを用いた実世界の実験を通して、我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-03-19T13:40:56Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [54.34189781923818]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
  本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。 これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。 我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
  論文  参考訳（メタデータ） (2021-12-13T13:19:45Z)

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。