論文の概要: NeuroGraph: An AI Graph-Driven Neuro-Symbolic Framework for Explainable Threat Reasoning in Advanced Manufacturing

• arxiv url: http://arxiv.org/abs/2609.00604v2
• Date: Tue, 08 Sep 2026 01:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.331818
• Title: NeuroGraph: An AI Graph-Driven Neuro-Symbolic Framework for Explainable Threat Reasoning in Advanced Manufacturing
• Title（参考訳）: NeuroGraph: 高度な製造における説明可能な脅威推論のためのAIグラフ駆動型ニューロシンボリックフレームワーク
• Authors: Padmeswari Nandiya, Ahmad Mohsin, Ahmed Ibrahim, Iqbal H. Sarker, Helge Janicke,
• Abstract要約: 先進的な製造におけるサイバー物理的攻撃面の複雑さは、サイバー脅威情報分析をますます困難にしている。 本稿では,シンボルクエリ生成,知識グラフ検索,ニューラルネットワーク生成を統合し,正確かつ説明可能な脅威分析を支援するグラフ基底型ニューロシンボリックフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.4794461179129565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growing complexity of cyber-physical attack surfaces in advanced manufacturing has made cyber threat intelligence analysis increasingly difficult. Although large language models and retrieval-augmented generation have improved CTI workflows, text-based approaches remain vulnerable to hallucinations and provide limited support for structured reasoning over interconnected threats. Graph-based RAG reduces some of these limitations, but existing approaches often lack ontology-consistent multi-hop reasoning and transparent evidence tracing across heterogeneous cybersecurity data. This paper proposes a graph-grounded neuro-symbolic framework that integrates ontology-aware symbolic query generation, knowledge graph retrieval, and neural language generation to support accurate and explainable threat analysis across information technology and operational technology environments. The framework adopts a dual-large language model architecture: the first model translates natural-language questions into executable Cypher queries for symbolic graph retrieval, while the second generates answers strictly from the retrieved graph evidence. Experimental evaluation using publicly available cyber threat intelligence benchmarks shows consistent improvements over the published baseline in reasoning accuracy, while also reducing hallucinations, strengthening multi-hop reasoning, and improving robustness to adversarial perturbations. Runtime and explainability analyses further demonstrate that the framework maintains interactive inference performance and exposes graph-grounded reasoning artifacts that allow analysts to inspect and verify each stage of the analysis. Overall, the results highlight the potential of graph-grounded neuro-symbolic reasoning as a scalable, interpretable, and reliable approach to cyber threat intelligence for next-generation Industry 5.0 environments.
• Abstract（参考訳）: 先進的な製造におけるサイバー物理的攻撃面の複雑さの増大は、サイバー脅威情報分析をますます難しくしている。 大規模言語モデルと検索強化世代はCTIワークフローを改善したが、テキストベースのアプローチは幻覚に弱いままであり、相互接続された脅威に対する構造化推論を限定的にサポートする。 グラフベースのRAGは、これらの制限の一部を削減しているが、既存のアプローチでは、オントロジーに一貫性のあるマルチホップ推論と、異種サイバーセキュリティデータを追跡する透明な証拠が欠けていることが多い。 本稿では,オントロジーを意識したシンボリッククエリ生成,知識グラフ検索,ニューラルネットワーク生成を統合し,情報技術や運用技術環境における正確な,説明可能な脅威分析を支援するグラフ基底型ニューロシンボリックフレームワークを提案する。 第1のモデルは、自然言語の質問をシンボリックグラフ検索のために実行可能なCypherクエリに変換し、第2のモデルは、検索されたグラフ証拠から厳密に答えを生成する。 公開されているサイバー脅威インテリジェンスベンチマークを用いた実験的評価は、公表されたベースラインに対して、推論精度を向上すると同時に、幻覚の低減、マルチホップ推論の強化、敵の摂動に対する堅牢性の向上を示す。 実行時と説明可能性の分析により、このフレームワークはインタラクティブな推論性能を維持しており、分析の各段階をアナリストが検査し検証できるグラフ基底推論成果物を公開している。 全体として、この結果は、次世代産業5.0環境における、スケーラブルで解釈可能で信頼性の高いサイバー脅威インテリジェンスへのアプローチとして、グラフグラウンドのニューロシンボリック推論の可能性を強調している。

関連論文リスト

• A Completion-Aware Framework for Impactful Counterfactual Explainability in Graph Neural Networks [3.329876688618881]
  我々は,グラフニューラルネットワーク(GNN)における汎用的,モデルに依存しない,局所レベルの対実的説明可能性のための新しいパイプラインを提案する。 提案手法は,リンク予測研究に根ざしたエッジ予測モデルと現実的説明可能性とを結合する。
  論文  参考訳（メタデータ） (2026-06-20T13:13:02Z)
• Large Language Models for Explainable Threat Intelligence [2.9873162504735133]
  大規模言語モデル(LLM)はサイバーセキュリティに大きな可能性を秘めている。 本稿では,LLMとRAG(Research-augmented Generation)の併用による脅威知能の獲得について検討する。 提案システムであるRAGReconは、RAGを使用したLCMを使用して、サイバーセキュリティの脅威に関する質問に答える。
  論文  参考訳（メタデータ） (2025-11-07T16:32:41Z)
• Unveiling the Vulnerability of Graph-LLMs: An Interpretable Multi-Dimensional Adversarial Attack on TAGs [35.900360659024585]
  Interpretable Multi-dimensional Graph Attack (IMDGA) は、グラフLLMのための新しい人間中心の敵攻撃フレームワークである。 IMDGAは既存の手法に比べて優れた解釈可能性、攻撃効果、ステルス性、堅牢性を示す。 この研究は、Graph-LLMの未調査の脆弱性のセマンティックディメンションを明らかにし、レジリエンスを改善するための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-14T07:36:07Z)
• Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
  計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。 ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。 我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
  論文  参考訳（メタデータ） (2025-02-18T02:26:50Z)
• Exploring Answer Set Programming for Provenance Graph-Based Cyber Threat Detection: A Novel Approach [4.302577059401172]
  プロヴァンスグラフは、サイバーセキュリティにおけるシステムレベルのアクティビティを表現するのに有用なツールである。 本稿では, ASP を用いてプロファイランスグラフをモデル化・解析する手法を提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:57:27Z)
• CTINexus: Automatic Cyber Threat Intelligence Knowledge Graph Construction Using Large Language Models [49.657358248788945]
  サイバー脅威インテリジェンス(CTI)レポートのテキスト記述は、サイバー脅威に関する豊富な知識源である。 現在のCTI知識抽出法は柔軟性と一般化性に欠ける。 我々は,データ効率の高いCTI知識抽出と高品質サイバーセキュリティ知識グラフ(CSKG)構築のための新しいフレームワークであるCTINexusを提案する。
  論文  参考訳（メタデータ） (2024-10-28T14:18:32Z)
• It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
  アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。 現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。 本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
  論文  参考訳（メタデータ） (2023-12-27T10:44:58Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。