論文の概要: CyberWorld: World Models for Sample-Efficient Autonomous Cyber Defense

• arxiv url: http://arxiv.org/abs/2609.31893v1
• Date: Fri, 25 Sep 2026 18:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:52:13.855196
• Title: CyberWorld: World Models for Sample-Efficient Autonomous Cyber Defense
• Title（参考訳）: CyberWorld: サンプル効率の良い自律サイバー防衛のための世界モデル
• Abstract要約: 我々は,ベクトル,グラフ,テキスト,マルチモーダル表現から潜伏するサイバー力学を学習する,ドリーマースタイルの世界モデリングフレームワークであるCyberWorldを紹介する。 スコア可能な4つのCyberWheel攻撃戦略全体で、グラフベースのCyberWorldは3.6k-15.8k環境ステップの後に戦略に依存しない制御を超えた。 これらの結果は、自律防衛のためのサンプル効率でスケーラブルな基盤として、学習されたサイバー力学を確立する。
• 参考スコア（独自算出の注目度）: 7.390569768762081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep reinforcement learning has become a prominent approach to autonomous cyber defense. Existing methods are predominantly model-free and consequently require extensive environment interaction. World models provide an alternative by learning predictive dynamics and optimizing policies through imagined trajectories, yielding substantial gains in sample efficiency in robotics and embodied control. Extending this paradigm to cybersecurity raises a fundamental question: what should constitute the "world" in a cyber world model? We introduce CyberWorld, a Dreamer-style world modeling framework that learns latent cyber dynamics from vector, graph, textual, and multimodal representations of the defended network. Across all four scoreable CyberWheel attack strategies, the graph-based CyberWorld variant exceeds a strategy-agnostic control after 3.6k-15.8k environment steps, compared with millions of steps required by model-free PPO. Across representation choices, graph structure provides greater robustness under topology-dependent attacks, while simpler representations remain competitive in overall performance. Among successful runs, the number of episodes required to reach the control remains approximately constant as network size increases from 15 to 100 hosts. These results establish learned cyber dynamics as a sample-efficient and scalable basis for autonomous defense, and identify world representation as a central design axis for robustness and scalability.
• Abstract（参考訳）: 深層強化学習は、自律的なサイバー防衛において顕著なアプローチとなっている。 既存の手法は、主にモデルレスであり、従って広範囲の環境相互作用を必要とする。 世界モデルは、予測力学を学習し、想像された軌道を通してポリシーを最適化することで代替手段を提供する。 このパラダイムをサイバーセキュリティに拡張することは、基本的な疑問を提起する。 我々はCyberWorldを紹介した。CyberWorldはDreamerスタイルの世界モデリングフレームワークで、ベクター、グラフ、テキスト、マルチモーダルなネットワーク表現から潜伏するサイバー力学を学習する。 スコア可能な4つのCyberWheel攻撃戦略全体で、グラフベースのCyberWorldは3.6k-15.8k環境ステップの後に戦略に依存しない制御を超える。 グラフ構造は、表現の選択全体にわたって、トポロジに依存した攻撃の下でより堅牢性を提供しますが、全体的なパフォーマンスにおいて、より単純な表現は競争力を維持します。 成功した実行中、ネットワークサイズが15から100ホストに増加するにつれて、コントロールに到達するために必要なエピソードの数は、ほぼ一定である。 これらの結果は、自律防衛のためのサンプル効率でスケーラブルな基盤として学習されたサイバー力学を確立し、ロバスト性とスケーラビリティのための中心設計軸として世界表現を識別する。

関連論文リスト

• GigaWorld-1: A Roadmap to Build World Models for Robot Policy Evaluation [73.02743604295246]
  WMBenchは、実際のロボット遠隔操作データとポリシーのロールアウトから構築されたベンチマークである。 7つのビデオワールドモデル,4つのアクション表現スキーム,および実際のロボット実行と組み合わせた324,000以上のシミュレートされたポリシーロールアウトを分析した。 評価者の品質は、短期的な視覚的リアリズムよりも、長期的な、行動に忠実なロールアウト一貫性に支配されている。
  論文  参考訳（メタデータ） (2026-07-02T17:02:43Z)
• AdaWorldPolicy: World-Model-Driven Diffusion Policy with Online Adaptive Learning for Robotic Manipulation [12.592383721590402]
  オンライン適応学習(AdaWorldPolicy)を用いた統合フレームワーク「世界モデル駆動拡散政策」を導入する。 私たちの中核となる洞察は、世界モデルは強力な監視信号を提供し、動的環境におけるオンライン適応学習を可能にします。 AdaWorldPolicyは、アウト・オブ・ディストリビューションシナリオへの動的適応能力を備えた最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-23T17:12:25Z)
• Ctrl-World: A Controllable Generative World Model for Robot Manipulation [53.71061464925014]
  汎用ロボットポリシーは、幅広い操作スキルを実行することができる。 未知の物体や命令で 彼らの能力を評価し 改善することは 重要な課題です 世界モデルは、イマジネーション空間内でポリシーの展開を可能にすることで、有望でスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-11T09:13:10Z)
• World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
  本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。 ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
  論文  参考訳（メタデータ） (2025-05-31T06:43:00Z)
• An Attentive Graph Agent for Topology-Adaptive Cyber Defence [1.0812794909131096]
  我々は,ネットワーク状態を有向グラフとして符号化するCyber Operations Research Gym(CybORG)環境のカスタムバージョンを開発する。 我々は、ノード、エッジ、グローバル機能を処理するために、グラフ注意ネットワーク(GAT)アーキテクチャを使用し、その出力を強化学習におけるポリシー勾配手法と互換性に適応させる。 我々は,シミュレーション中に予期せぬ接続が発生した場合でも,低レベル指向グラフ観測を用いてGAT防御ポリシーを訓練できることを実証した。
  論文  参考訳（メタデータ） (2025-01-24T18:22:37Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)

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。