論文の概要: A Hybrid LLM-Based Framework for Automated Security Annotation Generation in Business Process Models

• arxiv url: http://arxiv.org/abs/2608.14370v1
• Date: Fri, 14 Aug 2026 15:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.415577
• Title: A Hybrid LLM-Based Framework for Automated Security Annotation Generation in Business Process Models
• Title（参考訳）: ビジネスプロセスモデルにおけるセキュリティアノテーション自動生成のためのハイブリッドLLMフレームワーク
• Abstract要約: 本稿では、BPMNプロセスモデルとセキュリティ要件文書を入力とし、SecBPMN2仕様に準拠したセキュリティアノテーションを自動的に生成するハイブリッドフレームワークを提案する。 このフレームワークは、さまざまなドメインから27のプロセスモデルのキュレートされたデータセットに基づいて総合的に評価される。
• 参考スコア（独自算出の注目度）: 1.527655765319308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The modelling and analysis of secure business processes require the incorporation of security annotations into process models. Although BPMN extensions, including SecBPMN2, exist for this purpose, the derivation of accurate and complete security annotations from natural-language specifications remains a manual, expert-intensive, and error-prone task. This paper presents a hybrid framework that takes a BPMN process model and a security requirements document as input and automatically generates security annotations adhering to the SecBPMN2 specification. The approach combines Large Language Model (LLM)--based semantic extraction with schema-constrained mapping, rule-based normalization, and deterministic validation. The framework is evaluated comprehensively on a curated dataset of 27 process models from various domains. The results indicate that it consistently produces structurally valid SecBPMN2 annotations with high schema completeness. Compared to human security analysts, the system achieves substantially higher precision (0.58 vs. 0.29) while maintaining comparable recall (0.52 vs. 0.50) and reduces erroneous or misplaced annotations by nearly 50%. In addition, annotation generation is significantly faster than manual annotation. These findings demonstrate that hybrid LLM- and rule-based automation can reduce modeling effort while improving consistency and reliability, thereby providing a scalable foundation for security-by-design BPM.
• Abstract（参考訳）: セキュアなビジネスプロセスのモデリングと分析には、プロセスモデルにセキュリティアノテーションを組み込む必要があります。 SecBPMN2を含むBPMN拡張はこの目的のために存在するが、正確で完全なセキュリティアノテーションの自然言語仕様からの派生は、手動、専門家集約、エラーを起こしやすいタスクのままである。 本稿では、BPMNプロセスモデルとセキュリティ要件文書を入力とし、SecBPMN2仕様に準拠したセキュリティアノテーションを自動的に生成するハイブリッドフレームワークを提案する。 このアプローチは、Large Language Model(LLM)ベースの意味抽出とスキーマ制約付きマッピング、ルールベースの正規化、決定論的検証を組み合わせる。 このフレームワークは、さまざまなドメインから27のプロセスモデルのキュレートされたデータセットに基づいて総合的に評価される。 結果は、スキーマの完全性が高い構造的に有効なSecBPMN2アノテーションを一貫して生成していることを示している。 人間のセキュリティアナリストと比較して、システムは相当高い精度(0.58対0.29)を達成し、同等のリコール(0.52対0.50)を維持し、誤ったまたは誤置換されたアノテーションを50%近く削減する。 加えて、アノテーション生成は手動のアノテーションよりも大幅に高速である。 これらの結果は、LLMとルールベースのハイブリッドな自動化は、一貫性と信頼性を改善しながら、モデリングの労力を削減し、セキュリティ・バイ・デザインBPMのためのスケーラブルな基盤を提供することを示した。

関連論文リスト

• Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
  大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。 既存のアプローチはそのようなシステムレベルの保証を提供していません。 本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
  論文  参考訳（メタデータ） (2026-08-04T13:01:30Z)
• Neuro-Symbolic Agents for Hallucination-Free Requirements Reuse [0.0]
  本稿では,要求の再利用をモデル駆動型励磁プロセスとして再概念化する,ニューロシンボリックなマルチエージェントシステムを提案する。 本システムは,100%要件カバレッジと制約違反率を0.2%で達成する。
  論文  参考訳（メタデータ） (2026-05-02T18:16:04Z)
• SecGoal: A Benchmark for Security Goal Extraction and Formalization from Protocol Documents [3.363429643522915]
  SecGoalは15の広くデプロイされたプロトコルドキュメントをカバーする最初のエキスパートアノテーション付きベンチマークである。 我々は、タスクをコンテキスト対応のゴール抽出に分解するAI支援フレームワークであるSecGoalとAIFGを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T08:50:03Z)
• GLM-OCR Technical Report [65.42028025507491]
  GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。 CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。 公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-03-11T15:55:47Z)
• Can Safety Emerge from Weak Supervision? A Systematic Analysis of Small Language Models [6.576811280895214]
  Self-MOAは、自動化評価モデルからの弱い監督を使って、小さな言語モデルを整列するための完全に自動化されたフレームワークである。 安全性は12.41%向上し、人監督アライメントベースラインの11倍のトレーニングデータを使用する。
  論文  参考訳（メタデータ） (2026-03-07T03:29:53Z)
• DiSC-AMC: Token- and Parameter-Efficient Discretized Statistics In-Context Automatic Modulation Classification [19.190236060870184]
  大規模言語モデル(LLM)は、微調整なしで、オープンセットで自動変調分類(AMC)を実行することができる。 文脈自動変調分類(DiSC-AMC)における離散統計量について述べる。 DiSC-AMCは、高次の統計と累積をコンパクトなシンボルトークンに識別するトークンおよびパラメータ効率の変種である。
  論文  参考訳（メタデータ） (2025-09-30T22:20:57Z)
• MCPEval: Automatic MCP-based Deep Evaluation for AI Agent Models [76.72220653705679]
  我々は、エンドツーエンドタスク生成とインテリジェントエージェントの深い評価を自動化するオープンソースのフレームワークであるMCPEvalを紹介する。 MCPEvalはメトリクスを標準化し、ネイティブエージェントツールとシームレスに統合し、評価パイプラインを構築するための手作業を排除する。 実世界の5つのドメインにまたがる実証的な結果から、ニュアンスのある、ドメイン固有のパフォーマンスを明らかにする効果が示された。
  論文  参考訳（メタデータ） (2025-07-17T05:46:27Z)
• Leveraging Machine Learning and Enhanced Parallelism Detection for BPMN Model Generation from Text [75.77648333476776]
  本稿では、テキストからBPMNモデルを抽出する自動パイプラインについて紹介する。 この研究の重要な貢献は、新たに注釈付けされたデータセットの導入である。 モデルトレーニング用の32のパラレルゲートウェイを含む15の注釈付き文書でデータセットを増強する。
  論文  参考訳（メタデータ） (2025-07-11T07:25:55Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• SLOT: Structuring the Output of Large Language Models [5.683327173793259]
  SLOT(Structured LLM Output Transformer)は,非構造化LCM出力を正確な構造化形式に変換するモデルに依存しない手法である。 この結果から,制約付き復号化による微調整Mistral-7Bモデルでは,ほぼ完全なスキーマ精度が得られた。 特に、Llama-3.2-1Bのようなコンパクトなモデルでさえ、はるかに大きなプロプライエタリなモデルの出力能力にマッチまたは超えることができる。
  論文  参考訳（メタデータ） (2025-05-06T23:29:43Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)

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。