論文の概要: On the security and privacy of LLMs in Mobility

• arxiv url: http://arxiv.org/abs/2609.26295v1
• Date: Tue, 22 Sep 2026 12:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.35316
• Title: On the security and privacy of LLMs in Mobility
• Title（参考訳）: モビリティにおけるLLMのセキュリティとプライバシについて
• Abstract要約: これらの技術の統合は、世界中で15億台以上の車両に影響を与える可能性がある。 大規模言語モデル(LLM)がモビリティにおいてますます採用されるにつれて、サイバーセキュリティ、プライバシ、信頼性に関する懸念が高まっている。 欧州AI法は、輸送AIを高いリスクとして分類するので、現在の研究と将来の展開を評価するために、その要件から9つの技術クラスを導き出します。
• 参考スコア（独自算出の注目度）: 17.945654224679917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The mobility sector is undergoing a paradigm shift driven by advances in Generative Artificial Intelligence. With a global market valued at approximately 2.9 trillion dollars annually, considering only cars, the integration of these technologies has the potential to impact more than 1.5 billion vehicles worldwide. As Large Language Models (LLMs) are increasingly adopted in mobility, concerns about cybersecurity, privacy, and reliability emerge. Accordingly, this paper surveys current applications and assesses these challenges. Since the European AI Act classifies transportation AI as high risk, we derive nine technical classes from its requirements to assess current research and future deployments. Our findings show that research mainly studies GPT and Llama models (over 50\% of reviewed works) and traffic applications while largely neglecting security, privacy, and reliability. This gap extends to AI Act compliance: among 35 reviewed works, only one includes a partial vulnerability assessment and one a partial risk management system. We identify a clear gap between strong optimization performance and regulatory adherence, suggesting compliance is limited less by technology than by a focus on static performance over lifecycle safety, and underscoring an urgent need for security-by-design in safety-critical intelligent transportation systems.
• Abstract（参考訳）: モビリティ部門は、ジェネレーティブ・人工知能(Generative Artificial Intelligence)の進歩によって推進されるパラダイムシフトを実行している。 世界市場は年間約2.9兆ドルと評価されており、自動車のみを考えると、これらの技術の統合は世界15億台以上の車両に影響を与える可能性がある。 大規模言語モデル(LLM)がモビリティにおいてますます採用されるにつれて、サイバーセキュリティ、プライバシ、信頼性に関する懸念が高まっている。 そこで本研究では,現状のアプリケーションを調査し,これらの課題を評価する。 欧州AI法は、輸送AIを高いリスクとして分類するので、現在の研究と将来の展開を評価するために、その要件から9つの技術クラスを導き出します。 調査の結果,GPTモデルとLlamaモデル(レビューされた作品の50%以上)とトラヒックアプリケーションについて,主にセキュリティ,プライバシ,信頼性を無視していることがわかった。 このギャップはAI Act準拠にまで広がり、レビューされた35作品のうち、部分的な脆弱性評価と部分的なリスク管理システムを含んでいるのは1つだけです。 我々は、強い最適化性能と規制遵守の明確なギャップを特定し、ライフサイクルの安全性よりも静的なパフォーマンスに焦点をあてることよりも、コンプライアンスが技術によって制限されることを示唆し、安全に配慮したインテリジェントな交通システムにおいて、セキュリティ・バイ・デザインが緊急に必要であることを示す。

関連論文リスト

• International AI Safety Report 2025: First Key Update: Capabilities and Risk Implications [118.49965571969089]
  今回のアップデートは、AIの能力が最初のAI Safety Reportからどのように改善されたかを調べるものだ。 重大な新たな証拠が評価を更新する重要なリスク領域に焦点を当てている。
  論文  参考訳（メタデータ） (2025-10-15T15:13:49Z)
• Showcasing standards and approaches for cybersecurity, safety, and privacy issues in connected and autonomous vehicles [0.24475591916185502]
  本稿では、リスクアセスメント(RA)と脅威モデリング(TM)に関して、コネクテッド・自動運転車(CAV)におけるサイバーセキュリティ、安全、プライバシの懸念を橋渡しすることを目的とする。 我々は、自動車設定によって生じるような複雑な攻撃面に取り組むためのRAおよびTM研究における最新の標準とアプローチを強調した。
  論文  参考訳（メタデータ） (2025-08-02T05:45:50Z)
• SafeAgent: Safeguarding LLM Agents via an Automated Risk Simulator [77.86600052899156]
  LLM(Large Language Model)ベースのエージェントは、現実のアプリケーションにますますデプロイされる。 完全自動合成データ生成によるエージェント安全性を体系的に向上する最初のフレームワークであるAutoSafeを提案する。 AutoSafeは安全性のスコアを平均で45%向上させ、現実世界のタスクでは28.91%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-23T10:56:06Z)
• Large Language Models and Their Applications in Roadway Safety and Mobility Enhancement: A Comprehensive Review [14.611584622270405]
  本稿では,道路の安全性と移動性を高めるため,大規模言語モデル(LLM)の適用とカスタマイズについて概説する。 重要な焦点は、LLMがアーキテクチャ、トレーニング、プロンプト、マルチモーダル戦略を通じて、交通機関のユニークな時間的および物理的データで"モダリティギャップ"を埋める方法である。 潜在的な可能性にもかかわらず、固有のLLM制限(ハロシン化、推論欠陥)、データガバナンス(プライバシ、バイアスの複雑さ)、複雑さ(シモン・トゥ・リアル、レイテンシ)、厳格な安全保証に関する課題が続いている。
  論文  参考訳（メタデータ） (2025-05-19T21:51:18Z)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Enhancing Autonomous Driving Safety through World Model-Based Predictive Navigation and Adaptive Learning Algorithms for 5G Wireless Applications [7.686911269899608]
  NavSecureは、脅威を予測し、安全なルートを定式化するビジョンベースのナビゲーションフレームワークである。 我々のアプローチは、大規模な実世界の試行錯誤学習の必要性を減らす。 NavSecureは、衝突防止やリスク低減など、重要な安全性指標に優れています。
  論文  参考訳（メタデータ） (2024-11-22T16:16:07Z)
• Enhancing Enterprise Security with Zero Trust Architecture [0.0]
  Zero Trust Architecture (ZTA) は、現代のサイバーセキュリティに対する変革的なアプローチである。 ZTAは、ユーザ、デバイス、システムがデフォルトで信頼できないことを前提として、セキュリティパラダイムをシフトする。 本稿では、アイデンティティとアクセス管理(IAM)、マイクロセグメンテーション、継続的監視、行動分析など、ZTAの重要なコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-10-23T21:53:16Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
  平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。 モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。 本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
  論文  参考訳（メタデータ） (2023-06-29T15:57:07Z)

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。