論文の概要: AURA: Adaptive Uncertainty-Routed Analysis for Email Threat Detection

• arxiv url: http://arxiv.org/abs/2609.19873v1
• Date: Thu, 17 Sep 2026 08:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.16423
• Title: AURA: Adaptive Uncertainty-Routed Analysis for Email Threat Detection
• Title（参考訳）: AURA:メールの脅威検出のための適応的不確実性排除分析
• Abstract要約: 本稿では,マルチモーダルメール脅威検出システムであるAdaptive Uncertainty-Routed Analysis (AURA)を紹介する。 AURAはメールの内容と埋め込みURLの両方を分析します。 AURAは0.9858のマクロF1スコアに達し、NazPhish-EvalとGuenterTrap-Evalはそれぞれ0.9502と0.9436を維持している。
• 参考スコア（独自算出の注目度）: 0.6459652643027808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Email spam and phishing attacks remain a critical security threat. Adversaries increasingly exploit large language models to craft contextually convincing malicious messages, and existing spam detection systems often struggle to keep pace. Generalization across diverse and evolving attack scenarios is limited, which reduces effectiveness once these systems are deployed in practice. This paper introduces Adaptive Uncertainty-Routed Analysis (AURA), a multimodal email threat detection system that analyzes both the content of an email and its embedded URLs. AURA is built around two layers: the first quantifies prediction uncertainty from a URL classifier, and only ambiguous messages are escalated to a fine-tuned transformer encoder for semantic analysis. The system is evaluated on eight heterogeneous training corpora together with two held-out real-world corpora spanning a decade of adversarial campaigns. AURA reaches a macro F1-score of 0.9858 in-distribution, and on NazPhish-Eval and GuenterTrap-Eval it maintains 0.9502 and 0.9436, respectively, which is evidence of robust generalization under genuine distribution shift.
• Abstract（参考訳）: 電子メールのスパムやフィッシング攻撃は、依然として重要なセキュリティ上の脅威だ。 敵はますます大きな言語モデルを利用して、文脈的に悪意のあるメッセージを作るようになり、既存のスパム検出システムはペースを維持するのに苦労することが多い。 多様な、進化する攻撃シナリオの一般化は制限されており、これらのシステムが実際にデプロイされると効率が低下する。 本稿では,メールの内容と組込みURLの両方を分析するマルチモーダルメール脅威検出システムであるAdaptive Uncertainty-Routed Analysis (AURA)を紹介する。 AURAは、URL分類器から予測の不確実性を定量化し、あいまいなメッセージのみがセマンティック分析のための微調整トランスフォーマーエンコーダにエスカレートされる。 このシステムは,10年間にわたる対人戦にまたがる2つの実世界コーパスとともに,8つの異種訓練コーパスで評価される。 AURAは0.9858のマクロF1スコアに達し、NazPhish-EvalとGuenterTrap-Evalはそれぞれ0.9502と0.9436を維持している。

関連論文リスト

• SafeCA: Safe Cross-Attention Localization and Regulation for Text-to-Video Jailbreak Defense [77.70598852234149]
  テキスト・トゥ・ビデオ(T2V)生成モデルは、現実世界のデプロイにおいてジェイルブレイク攻撃に対して脆弱である。 安全なクロスアテンション・ローカライゼーションと正規化のための機能レベル防衛機構であるSafeCAを提案する。 実験の結果、SafeCAは主流のT2Vモデルでジェイルブレイクの成功率を約20%削減することが示された。
  論文  参考訳（メタデータ） (2026-08-11T14:01:24Z)
• Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking for Real-world Web Agents [93.19140872946842]
  大規模言語モデル(LLM)によって駆動されるWebエージェントは、現実の環境にますますデプロイされる。 これにより、一見良質なコンテンツがエージェントの振る舞いを操作する敵の命令を埋め込む、プロンプト・インジェクション・アタックに対して脆弱になる。 実世界のWebエージェントシステムにおいて,損害を体系的に分類し,属性付けするベンチマークである textbfsysname を導入する。
  論文  参考訳（メタデータ） (2026-06-11T14:12:43Z)
• Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning [0.5076419064097734]
  Internet of Things(IoT)デバイスは、ゼロデイや敵の侵入を含む高度なサイバー脅威にネットワークを公開している。 従来の侵入検知システム(IDS)は、目に見えない攻撃を一般化するのに苦労し、しばしばかなりの計算資源を必要とし、解釈性に欠ける。 ディープラーニング(DL)、オープンセット検出、Large Language Model(LLM)ベースのセマンティック推論などの最近の進歩は、これらの課題のいくつかに対処するが、典型的にはゼロデイと敵対的な脅威に焦点を当てる。 我々は4つの特殊エージェント(例えば、Scout, Mutator, Auditor, Arbiter)を統合する意味的マルチエージェントIDを提案する。
  論文  参考訳（メタデータ） (2026-06-09T02:18:50Z)
• Making MLLMs Blind: Adversarial Smuggling Attacks in MLLM Content Moderation [54.38271718421492]
  敵の密輸攻撃は人間とAIの能力ギャップを悪用する。 有害なコンテンツを人間の読みやすい視覚形式にエンコードする。 我々は緩和戦略の予備的な調査を行う。
  論文  参考訳（メタデータ） (2026-04-08T11:13:16Z)
• Benchmarking Large Language Models for Zero-shot and Few-shot Phishing URL Detection [0.0]
  偽のURLは、サイバー犯罪者による生成AIの普及により、前例のない高度化に達している。 フィッシング量は2022年以来4000%以上増加しており、検出を回避している攻撃は50%近く増加している。 我々は、ゼロショットと少数ショットのプロンプトを統一したフレームワークでLLMのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:56:06Z)
• INFA-Guard: Mitigating Malicious Propagation via Infection-Aware Safeguarding in LLM-Based Multi-Agent Systems [70.37731999972785]
  本稿では,感染防止対策の枠組みであるINFA-Guardを提案する。 修復中、INFA-Guardは攻撃者を置き換え、感染した者を修復し、トポロジカルな整合性を維持しながら悪意のある伝播を避ける。
  論文  参考訳（メタデータ） (2026-01-21T05:27:08Z)
• Dual-Path Phishing Detection: Integrating Transformer-Based NLP with Structural URL Analysis [0.0]
  フィッシングメールは、持続的かつますます高度な脅威となる。 従来の検出方法は、これらの進化する攻撃に包括的に対処できない。 自然言語処理(NLP)と古典的機械学習を統合したデュアルパスフィッシング検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T10:17:12Z)
• MultiPhishGuard: An LLM-based Multi-Agent System for Phishing Email Detection [3.187381965457262]
  MultiPhishGuardは動的マルチエージェント検出システムである。 本フレームワークでは, 政策最適化強化学習アルゴリズムを用いて, 自動決定重み付けを行う5つの協調エージェントを用いる。 実験により、MultiPhishGuardは偽陽性(2.73%)と偽陰性率(0.20%)で高い精度(97.89%)を達成することが示された。
  論文  参考訳（メタデータ） (2025-05-26T23:27:15Z)
• Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation [12.89058029173131]
  フィッシングURL検出のためのグラフベース機械学習モデルを提案する。 我々は、IPアドレスや権威名サーバのようなURL構造とネットワークレベルの機能を統合する。 実世界のデータセットの実験は、F1スコアを98.77%まで達成することで、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-01-12T19:49:00Z)
• Investigating Robustness of Adversarial Samples Detection for Automatic Speaker Verification [78.51092318750102]
  本研究は,ASVシステムに対して,別個の検出ネットワークによる敵攻撃から防御することを提案する。 VGGライクな二分分類検出器を導入し、対向サンプルの検出に有効であることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T04:31:56Z)

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。