論文の概要: SecJev: Bringing Security Expertise to System One Decision Models

• arxiv url: http://arxiv.org/abs/2610.03073v1
• Date: Fri, 02 Oct 2026 09:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.312443
• Title: SecJev: Bringing Security Expertise to System One Decision Models
• Title（参考訳）: SecJev: システム1の意思決定モデルにセキュリティ専門家をもたらす
• Abstract要約: セキュリティには、複雑な観察と明確なポリシーを決定に変換するモデルが必要です。 セキュリティに特化した、Jevライクな意思決定モデルの最初のファミリーであるSecJevを紹介します。 SecJev-Corpusは、14のタスクと8つのソースにまたがって、ソースラベルの予測と明示的な政治評価を統合する。
• 参考スコア（独自算出の注目度）: 9.833223904195675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Security workflows need models that turn complex observations and explicit policies into decisions. System One models introduced by Jev return typed predictions and probabilities; security specialization supplies the domain expertise behind those predictions. We introduce SecJev, to our knowledge the first family of Jev-like decision models specialized for security, spanning 0.8B to 9B parameters. Built on Kev's single-pass candidate scorer, SecJev learns Boolean, choice, and ordered decisions from text, telemetry, and observation histories. We develop SecJev-Corpus to unify source-label prediction and explicit-policy evaluation across 14 tasks and eight sources. It covers tool outputs, traffic, federated updates, consensus, authentication, and vehicle messages. Scene-weighted training adapts the models across these domains while preserving a shared typed decision interface. Security specialization improves every model in the family; SecJev-0.8B outperforms general Kev-9B by 20.51 percentage points in task-macro accuracy. Comparisons with answer-only generative fine-tuning show close accuracy and latency with lower peak inference memory. Tests on new source groups reproduce gains over Kev in prompt-injection and traffic decisions, with capture-dependent false alarms. We release adapters, decision heads, SecJev-Corpus, and training and inference code.
• Abstract（参考訳）: セキュリティワークフローには、複雑な観察と明確なポリシーを決定に変換するモデルが必要です。 セキュリティの専門化は、これらの予測の背後にあるドメインの専門知識を提供する。 SecJevは、セキュリティに特化したJevライクな決定モデルの最初のファミリーであり、0.8Bから9Bのパラメータにまたがるものです。 Kevのシングルパス候補スコアラーに基づいて構築されたSecJevは、ブール、選択、テキスト、テレメトリ、観察履歴から決定の順序を学習する。 SecJev-Corpusは、14のタスクと8つのソースにまたがって、ソースラベルの予測と明示的な政治評価を統合する。 ツール出力、トラフィック、フェデレーションされた更新、コンセンサス、認証、車両メッセージをカバーする。 シーン重み付けトレーニングは、共有型決定インターフェイスを保持しながら、これらのドメインにわたってモデルを適応させる。 SecJev-0.8Bは一般的なKev-9Bより20.51ポイント高いタスクマクロ精度を実現している。 解答のみ生成ファインタニングとの比較では,ピーク推論メモリの精度とレイテンシが低かった。 新たなソースグループのテストは、キャプチャ依存の偽アラームによって、迅速なインジェクションとトラフィック決定において、Kevよりも利益を再現する。 アダプタ、決定ヘッド、SecJev-Corpus、トレーニングおよび推論コードをリリースしています。

関連論文リスト

• Benchmarking System One decision models against trained classifiers and language models for automated decision gates [1.089614199781423]
  小さな訓練された分類器は意図に対して最も正確である。 微調整された決定チェックポイントは、修正されていないバックボーンに対して意図的な精度を得る。 意図的に訓練された第1ステージがJevにエスカレートされ、その正確さは、全グラフィックスプロセッサ使用時のコストの0.43と一致する。
  論文  参考訳（メタデータ） (2026-09-29T19:57:59Z)
• Chinese-Jev: Bringing System One Model to Chinese-Language Tasks [97.8132340393094]
  本稿では,中国語推論のためのシステム1モデルである Chinese-Jev を紹介する。 我々のデータ処理プロトコルは、異種中国語のアノテーションを候補候補に対する確率的ターゲットに変換する。 効率的な推論を可能にするために、China-Jevはテキストエンコーディングのための軽量エンコーダのみのバックボーンを採用し、候補回答のスコアリングを学ぶ。
  論文  参考訳（メタデータ） (2026-09-29T08:02:27Z)
• JevAdvBench: A Benchmark and Black-Box Attacks for Reinforcement Learning for Calibrated Decisions Models [25.5874772119945]
  JevAdvBench は RLCD モデルの最初の敵対的ベンチマークである。 ラベルではなく、モデル自身のクリーンな決定に対して攻撃された各決定をスコア付けし、同じ再実行による変更に対して読み取る。 Jev-1.13.0では、リワードは再実行ベースラインの1.2パーセント以内に留まり、スキーマ外のフィールドはモデルに到達しない。
  論文  参考訳（メタデータ） (2026-09-25T11:32:19Z)
• Calibrated Decision Models for Autonomous Penetration-Testing Harnesses: JEV and Laya as System One Decision Layers for LLM-Driven Pentest Agents [0.0]
  システム1決定モデルが自律的な浸透テストハーネスをどのようにサポートするかを検討する。 本稿では,TypeSafe System One (Jev) とそれのないものと13の脆弱性を含むWebターゲットとを比較した探索的NeuroSploitケーススタディを提案する。 ドメイン適応型System OneモデルであるRaveを提案し、そのトレーニングデータ、評価プロトコル、およびハーネス保証に対する潜在的影響について概説する。
  論文  参考訳（メタデータ） (2026-09-24T02:47:20Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment [6.540774583094088]
  大きな言語モデル(LLM)は、知識、データ、および敵駆動のアプローチを統合するために使用される。 強化学習モデルは 様々な種類の車両の 行動の訓練に使われています その結果,提案フレームワークはドメイン固有言語生成の精度を12%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-05-15T06:20:43Z)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)
• Explorations of the Softmax Space: Knowing When the Neural Network Doesn't Know [2.6626950367610394]
  本稿では,ニューラルネットワークの予測に対する信頼度を計測するための新しい手法を提案する。 高い精度でトレーニングされたネットワークは、信頼度が低いべき特定の出力を持つ可能性があると確認する。 精度評価において,全ての正しい予測に対する平均ソフトマックス出力として計算されたセントロイドのクラスタが適切なプロキシとして有効であることを示す。
  論文  参考訳（メタデータ） (2025-02-01T15:25:03Z)
• Improving Selective Visual Question Answering by Learning from Your Peers [74.20167944693424]
  VQA(Visual Question Answering)モデルは、間違っていた場合の回答を控えるのに苦労する可能性がある。 本稿では,複数モーダル選択関数の学習におけるLearning from Your Peers (LYP) アプローチを提案する。 提案手法では,学習データの異なるサブセットに基づいて訓練されたモデルの予測を,選択的VQAモデルの最適化のターゲットとして利用する。
  論文  参考訳（メタデータ） (2023-06-14T21:22:01Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)

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。