論文の概要: MATE: Policy-Aware Security Auditing for Mobile Agents via Synthesis-Driven Trajectory Learning

• arxiv url: http://arxiv.org/abs/2609.22724v1
• Date: Sat, 19 Sep 2026 03:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.896376
• Title: MATE: Policy-Aware Security Auditing for Mobile Agents via Synthesis-Driven Trajectory Learning
• Title（参考訳）: MATE: 合成駆動軌道学習によるモバイルエージェントのセキュリティ監査
• Abstract要約: エージェントトラジェクトリと自然言語セキュリティポリシの両方をエンコードする軽量でポリシー付き監査機であるMATEを紹介する。 ポリシーを固定されたモデルパラメータではなく編集可能なテキストとして扱うことで、MATEはユーザ定義および進化する要求を処理することができる。 さらに、2つの合成サブセットと1つの実世界の手作業で収集されたトラジェクトリのサブセットを備えたトラジェクトリレベルの監査ベンチマークであるMATEBenchをリリースする。
• 参考スコア（独自算出の注目度）: 16.13539868716124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mobile agents powered by foundation models now automate complex, multi-step workflows on real devices, but their trajectories can violate app-specific security policies. Existing trajectory-level defenses rely on LLM prompting or rigid rules, and thus fail to support fine-grained, natural-language policies that generalize across apps and tasks. In this work, we introduce MATE, a lightweight, policy-conditioned auditor that encodes both agent trajectories and natural-language security policies to determine whether a trajectory violates a given policy and to explain why. Treating policies as editable text rather than fixed model parameters allows MATE to handle user-defined and evolving requirements without retraining. To construct MATE, we build a knowledge base by extracting app descriptions, workflows, and policies from hundreds of popular mobile apps worldwide, and synthesizing over 140K semantically realistic, policy-conditioned trajectories with a multi-stage pipeline. We further release MATEBench, a trajectory-level auditing benchmark with two synthetic subsets and one real-world subset of manually collected trajectories. Models trained with our synthesis-driven trajectory learning achieve over 95% accuracy on MATEBench, retain strong performance on external safety benchmarks, and audit trajectories from Zhipu's AutoGLM and Alibaba's Mobile-Agent on real devices with over 95% accuracy, outperforming prior methods by over 20%. MATE shows that practical, fine-grained security auditing for heterogeneous mobile agents is both feasible and effective.
• Abstract（参考訳）: ファンデーションモデルを利用したモバイルエージェントは、実際のデバイス上で複雑なマルチステップワークフローを自動化するが、その軌道はアプリ固有のセキュリティポリシーに違反している可能性がある。 既存のトラジェクトリレベルの防御は、LSMのプロンプトや厳格なルールに依存しているため、アプリやタスクをまたいで一般化する、きめ細かい自然言語ポリシーをサポートしない。 本研究では,エージェントの軌跡と自然言語のセキュリティポリシの両方を符号化した軽量なポリシー条件監査ツールであるMATEを紹介し,その経路が所定のポリシーに違反しているかどうかを判断し,その理由を説明する。 ポリシーを固定されたモデルパラメータではなく編集可能なテキストとして扱うことで、MATEは再トレーニングすることなく、ユーザ定義および進化する要求を処理することができる。 MATEを構築するために、世界中の何百もの人気のあるモバイルアプリからアプリ記述、ワークフロー、ポリシーを抽出し、マルチステージパイプラインで140K以上のセマンティックなポリシー条件の軌跡を合成することで、知識ベースを構築する。 さらに、2つの合成サブセットと1つの実世界の手作業で収集されたトラジェクトリのサブセットを備えたトラジェクトリレベルの監査ベンチマークであるMATEBenchをリリースする。 我々の合成駆動軌道学習で訓練されたモデルは、MATEBench上で95%以上の精度を達成し、外部安全ベンチマーク上での強力なパフォーマンスを維持し、ZhipuのAutoGLMとAlibabaのMobile-Agentからの監査トラジェクトリを95%以上の精度で実デバイス上で実行し、従来の手法よりも20%以上向上した。 MATEは、異質なモバイルエージェントに対する実用的できめ細かいセキュリティ監査は、実現可能かつ効果的であることを示している。

関連論文リスト

• OpenMobile: Building Open Mobile Agents with Task and Trajectory Synthesis [98.43366988856592]
  高品質なタスク命令とエージェントトラジェクトリを合成するオープンソースフレームワークであるOpenMobileについて述べる。 データに基づいてトレーニングされたエージェントは、3つの動的モバイルエージェントベンチマークで競合する結果を得る。
  論文  参考訳（メタデータ） (2026-04-16T14:53:08Z)
• MetaClaw: Just Talk -- An Agent That Meta-Learns and Evolves in the Wild [74.7263562191605]
  大規模言語モデル(LLM)エージェントは、複雑なタスクにますます使われている。 既存の方法は、知識を蒸留せずに生の軌跡を保存するか、静的なスキルライブラリを維持するか、または再訓練のために破壊的なダウンタイムを必要とする。 本稿では,基本的なLCMポリシと再利用可能な行動スキルのライブラリを共同で進化させるメタ学習フレームワークであるMetaClawを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T22:30:30Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• Constrained Decoding for Robotics Foundation Models [12.916330118607918]
  本稿では,自動回帰ロボット基盤モデルのための制約付き復号化フレームワークであるSafeDecを紹介する。 タスク固有の安全ルールはSignal Temporal Logic (STL) 公式として表現され、最小限のオーバーヘッドで推論時に強制される。 提案手法は,実行時に仮定された動的条件下でのSTL仕様を,再トレーニングなしで確実に満たすものである。
  論文  参考訳（メタデータ） (2025-09-01T19:17:40Z)
• On Automating Security Policies with Contemporary LLMs [3.47402794691087]
  本稿では、テキスト内学習と検索強化生成(RAG)の革新的組み合わせにより、攻撃緩和ポリシーコンプライアンスを自動化するフレームワークを提案する。 STIXv2 フォーマットと Windows API ドキュメントで公開されている CTI ポリシを用いて実施した実証評価では,RAG ベースラインに比べて精度,リコール,F1 スコアの大幅な向上が示されている。
  論文  参考訳（メタデータ） (2025-06-05T09:58:00Z)
• EMMOE: A Comprehensive Benchmark for Embodied Mobile Manipulation in Open Environments [11.97783742296183]
  Embodied Mobile Manipulation in Open Environmentsは、エージェントがユーザーの指示を解釈し、連続した空間で長時間の日常的なタスクを実行する必要があるベンチマークである。 Open EnvironmentsにおけるEmbodied Mobile Manipulationは、より多様な評価のための3つの新しいメトリクスとともに、ハイレベルで低レベルな実施タスクを統一されたフレームワークにシームレスに統合します。 We design model, a sophisticated agent system, a LLM with Direct Preference Optimization (DPO), light weighted navigation and operation model, and multiple error detection mechanism。
  論文  参考訳（メタデータ） (2025-03-11T16:42:36Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)
• Safety Correction from Baseline: Towards the Risk-aware Policy in Robotics via Dual-agent Reinforcement Learning [64.11013095004786]
  本稿では,ベースラインと安全エージェントからなる二重エージェント型安全強化学習戦略を提案する。 このような分離されたフレームワークは、RLベースの制御に対して高い柔軟性、データ効率、リスク認識を可能にする。 提案手法は,難易度の高いロボットの移動・操作作業において,最先端の安全RLアルゴリズムより優れる。
  論文  参考訳（メタデータ） (2022-12-14T03:11:25Z)
• Fully Decentralized Model-based Policy Optimization for Networked Systems [23.46407780093797]
  本研究の目的は,モデルベース学習によるマルチエージェント制御のデータ効率の向上である。 エージェントが協力的であり、隣人とのみローカルに通信するネットワークシステムについて検討する。 提案手法では,各エージェントが将来の状態を予測し,通信によって予測をブロードキャストする動的モデルを学習し,その後,モデルロールアウトに基づいてポリシーをトレーニングする。
  論文  参考訳（メタデータ） (2022-07-13T23:52:14Z)

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。