Fugu-MT 論文翻訳(概要): Topological Attribution Distance (TAD): Revealing Segment-Level RAG Influence on LLM Output Geometry for Incident Log Analysis

論文の概要: Topological Attribution Distance (TAD): Revealing Segment-Level RAG Influence on LLM Output Geometry for Incident Log Analysis

arxiv url: http://arxiv.org/abs/2608.16775v1
Date: Mon, 17 Aug 2026 16:21:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.792924
Title: Topological Attribution Distance (TAD): Revealing Segment-Level RAG Influence on LLM Output Geometry for Incident Log Analysis
Title（参考訳）: トポロジカル属性距離(TAD: Topological Attribution Distance) : インシデントログ解析のためのLLM出力形状に及ぼすセグメントレベルRAGの影響
Abstract要約: 出力のグローバルな形状を特徴付けるために,Topological Attribution Distance (TAD)を提案する。 TADは、セグメントレベルのアブレーション属性を利用して、実際のサイバー攻撃のインシデントログを調査する。これにより、検索したログの隠された状態に基づいて、説明可能な信頼性のあるトレースが可能になる。
参考スコア（独自算出の注目度）: 1.3543506826034255
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) are increasingly being deployed in cybersecurity operations to assist cybersecurity analysts with rapid decision-making against emerging threats. However, there is a main criteria that must be met when using LLMs in cybersecurity, that is, trust in the generated outputs. As Agentic AI is integrated into operational systems, a robust evidence attribution and provenance tracking technique is essential to trace the origins of model generations. When autonomous agents make a decision (right or wrong), the ability to trace back through the decision chain is critical, as without it, teams cannot identify which segment of the data caused the model generation. Existing methods often struggle to distinguish among complex and highly similar evidence sources, such as cyber incident logs. This reveals a key gap: current approaches do not adequately capture the holistic geometric relationship between the retrieved evidence and the generated response for reliable evidence verification. To bridge this gap, we propose Topological Attribution Distance (TAD), inspired by Topology, to characterize and capture the global geometric shape of an output and its changes against its retrieved logs. In other words, if the embeddings of a specific source log drastically changes the geometry of the model's response in the embedding space, this suggests that such log is a critical source for the model's generated response. Therefore, TAD is powered by segment-level ablation attribution to investigate incident logs of an actual cyberattack. We demonstrate how TAD finds the most attributed logs on LLM outputs in an adaptive manner. This can provide an explainable and trustworthy tracing based on each LLM's hidden state to understand how geometrically different retrieved logs influence the model generation, and provide evidence verification in cybersecurity and Agentic-AI workflows.
Abstract（参考訳）: 大規模言語モデル(LLM)は、サイバーセキュリティアナリストを支援するために、新興の脅威に対する迅速な意思決定のためにサイバーセキュリティオペレーションに展開されている。しかし、サイバーセキュリティにおいてLLMを使用する場合、すなわち生成されたアウトプットに対する信頼を満たさなければならない主要な基準がある。 Agentic AIは運用システムに統合されているため、モデル世代の起源を辿るためには、ロバストなエビデンスアトリビューションとプロビタンストラッキング技術が不可欠である。自律的なエージェントが(正しいか間違っているか)決定を下すと、決定連鎖を遡る能力が重要になります。既存の方法はしばしば、サイバーインシデントログのような、複雑で非常に類似した証拠ソースを区別するのに苦労する。現行のアプローチでは、得られた証拠と生成した反応の間の全体論的幾何学的関係を適切に捉えてはいない。このギャップを埋めるために,Topologyにヒントを得たTopological Attribution Distance (TAD)を提案する。言い換えれば、特定のソースログの埋め込みが埋め込み空間におけるモデルの応答の幾何を劇的に変化させた場合、そのようなログはモデルが生成した応答にとって重要な情報源であることを示している。したがって、TADはセグメントレベルのアブレーション属性を利用して、実際のサイバー攻撃のインシデントログを調査する。我々は,TADがLLM出力の最も属性の高いログを適応的に検出する方法を実証する。これにより、各LSMの隠された状態に基づいて説明可能な信頼性の高いトレースを提供し、幾何学的に異なる検索ログがモデル生成に与える影響を理解し、サイバーセキュリティおよびエージェントAIワークフローにおける証拠検証を提供することができる。

関連論文リスト

Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-06-09T09:09:07Z)
From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
論文参考訳（メタデータ） (2026-05-18T07:17:55Z)
From Safety Risk to Design Principle: Peer-Preservation in Multi-Agent LLM Systems and Its Implications for Orchestrated Democratic Discourse Analysis [0.0]
そこで我々は,AIコンポーネントの自発的傾向について検討し,シャットダウン機構,フェイクアライメント,モデル重みの除去について考察した。本稿では,アーキテクチャ設計の選択肢として,プロンプトレベルの匿名化に基づく緩和戦略を提案する。アーキテクチャ設計の選択は、デプロイされたマルチエージェント分析システムにおいて、主要なアライメント戦略としてモデル選択よりも優れていると論じる。
論文参考訳（メタデータ） (2026-04-09T17:00:26Z)
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)
Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文参考訳（メタデータ） (2025-10-02T06:25:10Z)
OntoLogX: Ontology-Guided Knowledge Graph Extraction from Cybersecurity Logs with Large Language Models [3.4435169157853465]
システムログはサイバー脅威インテリジェンス(CTI)の貴重な情報源であるしかし、それらのユーティリティは、構造の欠如、セマンティックな一貫性の欠如、デバイスやセッション間の断片化によって制限されることが多い。 OntoLogXは生ログをオントロジー基底知識グラフ(KG)に変換するシステムはKGをセッションに集約し、MITRE ATT&CKの戦術を予測する。
論文参考訳（メタデータ） (2025-10-01T19:46:15Z)
Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。人間の偽造の多様な意図と反復的なプロセスを捉える方法。ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
論文参考訳（メタデータ） (2025-09-16T01:05:01Z)
Enabling Transparent Cyber Threat Intelligence Combining Large Language Models and Domain Ontologies [3.4423725226938426]
ログからの情報抽出の精度と説明性を向上するAIエージェントを構築するための新しい手法を提案する。本手法の設計は,ハニーポットデータに関連する解析的要件によって動機付けられている。その結果,従来のプロンプトのみの手法に比べて,情報抽出の精度が高いことがわかった。
論文参考訳（メタデータ） (2025-08-26T23:17:33Z)
GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
論文参考訳（メタデータ） (2024-09-04T09:46:33Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。