論文の概要: HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization

• arxiv url: http://arxiv.org/abs/2608.19430v1
• Date: Wed, 19 Aug 2026 20:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.394936
• Title: HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization
• Title（参考訳）: HARP:クエリベースのCVE優先順位付けのための優先適応融合を用いた階層型適応ランク付け
• Abstract要約: 本稿では,自然言語クエリから候補をランク付けするグラフ付きマルチビューフレームワークと,過去のラベル付きサンプルの支持銀行を提案する。 HarPは脆弱性知識グラフからエビデンスを取得し、ポリシー付きグローバル、エンタプライズ、ユーザビューで候補をスコアし、サンプルサポートからのビューフュージョン重みに適合する。
• 参考スコア（独自算出の注目度）: 84.9738509922482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vulnerability prioritization is inherently preference dependent, since the same CVE can receive different remediation priority under different operational preference scenarios. Existing scoring systems and ranking methods typically assume a fixed criterion. In practice, organizations already operate under a preference scenario, but this preference is often implicit and difficult to express as a written prompt instruction, while triage queries usually do not encode it. Past validated triage cases under the current scenario are more readily available. We study query-based CVE prioritization in this setting and propose HARP, a graph-grounded multi-view framework that ranks candidates from a natural-language query together with a support bank of historical labeled examples from the current preference scenario, without requiring an explicit textual summary of that scenario. HARP retrieves evidence from a vulnerability knowledge graph, scores candidates with policy-conditioned global, enterprise, and user views, and fits view-fusion weights from sampled supports. Experiments across three preference scenarios and multiple backbone LLMs show that HARP outperforms multiple baselines, expressing our method's effectiveness.
• Abstract（参考訳）: 脆弱性の優先順位付けは本質的に優先順位に依存している。なぜなら同じCVEが異なる運用優先シナリオの下で異なる修正優先度を受け取ることができるからである。 既存のスコアリングシステムやランキング手法は、一般に一定の基準を仮定する。 実際には、組織はすでに好みのシナリオの下で運用されているが、トリアージクエリは通常それをエンコードしないのに対して、この好みは暗黙的であり、プロンプト命令として表現することが難しいことが多い。 過去の検証済みのトリアージケースは、現在のシナリオでより容易に利用できる。 この設定でクエリベースのCVE優先順位付けについて検討し、そのシナリオの明示的なテキスト要約を必要とせず、自然言語クエリから候補をランク付けするグラフ付きマルチビューフレームワークであるHARPを提案する。 HARPは脆弱性知識グラフからエビデンスを取得し、ポリシー付きグローバル、エンタプライズ、ユーザビューで候補をスコアし、サンプルサポートからのビューフュージョン重みに適合する。 3つの選好シナリオと複数のバックボーン LLM 実験により、HARP は複数のベースラインより優れており、この手法の有効性が示されている。

関連論文リスト

• ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
  本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。 我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-15T11:23:16Z)
• VIBE-Bench: Evaluating Personalized Large Language Models When Profiles Don't Mean Preferences [40.195544693657396]
  既存のベンチマークでは、セマンティックな歴史から好みを検索できると推定されている。 我々は、未調査だが実際は重要な制度であるプロファイル参照概念の誤りについて研究する。 心理学的な2つのタスクと12,239の対話を備えたベンチマークであるVIBE-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-09-01T08:45:28Z)
• Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision [0.0]
  正規化パターン検索器は、推定時刻のスコアを厳密に過去のみに保ちつつ、リストワイズ・フューチャー・コンパチビリティターゲットを学習する。 提案手法は類似性に基づく候補生成を継続するが,その候補をより予測的関連性基準で再評価する。 6つのベンチマークで、リランカはパターン検索を改善し、候補-グロバル、クエリ特化、および混合関連構造を明らかにした。
  論文  参考訳（メタデータ） (2026-08-24T13:15:29Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation [18.263381277536357]
  Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。 既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。 本稿では,次のPOI推薦のための候補条件付きモデルであるCaST-POIを提案する。
  論文  参考訳（メタデータ） (2026-02-10T07:10:18Z)
• Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation [6.180520055741916]
  Next Point-of-Interest (POI)レコメンデーションは、履歴チェックインの軌跡からユーザの好みを推測する上で重要な役割を果たす。 既存のシーケンシャルおよびグラフベースの手法は、異なる文脈シナリオにおける重要なモビリティの変動をしばしば無視する。 我々は,次のPOIレコメンデーションにシナリオ分割パラダイムを採用するフレームワークであるMultifaceted Scenario-Aware Hypergraph Learning法(MSAHG)を提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:29:55Z)
• Order Matters: Rethinking Prompt Construction in In-Context Learning [52.19217980839306]
  In-context Learning (ICL)により、大規模言語モデルでは、例の列に条件付けすることで、新しいタスクを実行できる。 以前の作業のほとんどは、どの例が選択されたかが、これらの例の順序よりもパフォーマンスにはるかに大きな影響を与えると仮定している。 この仮定を再検討し、選択と順序付けの効果を体系的に比較する。
  論文  参考訳（メタデータ） (2025-11-12T19:57:55Z)
• Robust Preference Alignment via Directional Neighborhood Consensus [13.313830197011983]
  本稿では,指向性近傍のコンセンサスを利用したポストホックなトレーニングフリー手法であるRobust Preference Selection(RPS)を紹介する。 RPSは、関連する好みの地域からの複数の応答をサンプリングし、優れた候補プールを作成する。 本研究は, 嗜好整合モデルの信頼性を高めるための, 実用的, 理論的に基礎的なソリューションを提案する。
  論文  参考訳（メタデータ） (2025-10-23T12:39:20Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• Going beyond research datasets: Novel intent discovery in the industry setting [60.90117614762879]
  本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。 ドメイン内データに基づく事前学習型言語モデルの利点を示す。 また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
  論文  参考訳（メタデータ） (2023-05-09T14:21:29Z)
• Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
  本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。 アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。 当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
  論文  参考訳（メタデータ） (2020-12-09T17:56:22Z)

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。