論文の概要: Robust Conformal Intrusion Detection via Traffic-Aware Calibration and Attack-Orbit Invariance

• arxiv url: http://arxiv.org/abs/2609.19241v1
• Date: Wed, 22 Jul 2026 02:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.618503
• Title: Robust Conformal Intrusion Detection via Traffic-Aware Calibration and Attack-Orbit Invariance
• Title（参考訳）: トラヒック・アウェア・キャリブレーションとアタック・オービットの不変性によるロバスト・コンフォーマルな侵入検出
• Abstract要約: ネットワーク侵入検出のために微調整された大規模言語モデルは、統計的確証のない単一点予測を出力する。 本稿では, 対向的な摂動制御可能なネットワーク機能によって, クリーントラフィックのしきい値の調整が失敗することを示す。 本稿では,攻撃者が使用するであろう摂動機構から引き出されたトラフィックを校正するトラフィック認識型コンフォメーション予測を提案する。
• 参考スコア（独自算出の注目度）: 1.4915002678801434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models fine-tuned for network intrusion detection emit single-point predictions without statistical validity guarantees. Conformal prediction supplies a finite-sample coverage guarantee, but a threshold calibrated on clean traffic fails once an adversary perturbs controllable network features. We demonstrate this failure across three intrusion detection benchmarks and propose traffic-aware conformal prediction, which calibrates on traffic drawn from the perturbation mechanism an attacker is expected to use and provably restores coverage whenever that mechanism is known and can be sampled. A stronger, adaptive attacker that queries the target model's own score can still degrade this matched-calibration guarantee. We address this second threat model by excluding attacker-controllable features and their deterministic descendants from the scored representation, and prove that this yields an exact, pathwise coverage guarantee rather than a probabilistic bound. Across three independently fine-tuned language model architectures, this representation remains completely unchanged under every evaluated attack attempt, at a quantified seven-to-fourteen-point cost in clean accuracy relative to the unrestricted feature set.
• Abstract（参考訳）: ネットワーク侵入検出のために微調整された大規模言語モデルは、統計的確証のない単一点予測を出力する。 コンフォーマル予測は有限サンプルのカバレッジ保証を提供するが、敵の摂動制御可能なネットワーク機能によってクリーントラフィックに調整されたしきい値がフェールする。 本稿では,この障害を3つの侵入検出ベンチマークで実証し,攻撃者が使用する摂動機構から引き出されたトラフィックを校正し,その機構が知られてサンプル化可能な場合に,確実にカバレッジを復元するトラフィック認識型コンフォメーション予測を提案する。 ターゲットモデル自身のスコアをクエリする、より強く適応的なアタッカーは、この一致校正保証を分解することができる。 攻撃者制御可能な特徴とその決定論的子孫を得点表現から除外することにより、この第2の脅威モデルに対処し、確率的境界よりも正確な経路的カバレッジを保証することを証明した。 独立に調整された3つの言語モデルアーキテクチャにおいて、この表現は、評価された攻撃の試みごとに完全に変化せず、制限されない特徴集合に対するクリーンな精度で、定量化された7点から14点のコストがかかる。

関連論文リスト

• Non-Parametric Machine Text Detection via Multi-View Gaussian Processes [7.608133101747672]
  文書は複数の補完的な信号を持ち、それを抑える攻撃は他人をそのままにしておく。 同じ文書から補完的な特徴ビューを抽出する多視点非パラメトリック検出フレームワークを提案する。 見解にまたがって証拠を集約することにより、敵は同時に複数の独立した検出軸を倒さなければならない。
  論文  参考訳（メタデータ） (2026-06-12T03:11:25Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Confidential Guardian: Cryptographically Prohibiting the Abuse of Model Abstention [65.47632669243657]
  不正直な機関は、不確実性の観点からサービスを差別または不正に否定する機構を利用することができる。 我々は、ミラージュと呼ばれる不確実性誘導攻撃を導入することで、この脅威の実践性を実証する。 本研究では,参照データセット上のキャリブレーションメトリクスを分析し,人工的に抑制された信頼度を検出するフレームワークであるConfidential Guardianを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:47:50Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。