論文の概要: Contextualization of Third-Party Cloud Security Findings

• arxiv url: http://arxiv.org/abs/2610.08895v1
• Date: Tue, 06 Oct 2026 16:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.527548
• Title: Contextualization of Third-Party Cloud Security Findings
• Title（参考訳）: サードパーティのクラウドセキュリティ発見のコンテキスト化
• Abstract要約: サードパーティのクラウドセキュリティの発見では、重大さの発見は静的である。 私たちは、それぞれの発見の深刻さを、それが住んでいる環境の証拠から再導出します。 2つの商用クラウドセキュリティプラットフォームから,9,967ベンダのハイパフォーマンスな調査結果を実運用現場で評価した。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding severity is the main driver of how security teams prioritize remediation. For third-party cloud security findings, that severity is static: the rule that raised the finding assigns it before the rule meets any environment, so it reflects the risk of the condition in general rather than the risk the finding poses to the concrete environment where it lives. Scoring standards define where environment-specific context belongs. How far that context changes finding severities in production, where the deciding evidence lies, and whether it holds against the live environment have not been measured. We address this gap with contextualization, re-deriving each finding's severity from evidence in the environment where the finding lives. A deep research agent over a precomputed cross-signal asset graph investigates each finding against the resource's state, its graph neighborhood, and other products' signals, and returns an adjusted severity with an evidence trace. We evaluate it in a production field study of 9,967 vendor HIGH findings from two commercial cloud security platforms across eight real production environments, on three criteria: the faithfulness of the facts behind each verdict to the live environment, the dependence of each decision on context beyond the flagged resource, and the regularity of the reasoning. Three in four findings are re-graded, mostly downward, and the same rule often moves in opposite directions inside a single environment. About half of the decisive evidence lies beyond the flagged resource, and read-only probes of live infrastructure confirm the decisive fact for 99.4% of decided findings.
• Abstract（参考訳）: 深刻さを見つけることが、セキュリティチームが修復を優先する方法の主要な要因です。 サードパーティのクラウドセキュリティの発見では、その重大さは静的である: 発見を提起したルールは、ルールが任意の環境に適合する前にそれを割り当てるため、発見が生活する具体的な環境に影響を及ぼすリスクよりも、一般的には状態のリスクを反映する。 Scoring Standardは環境固有のコンテキストが属する場所を定義する。 この状況が、生産の重大さ、決定的証拠の所在、およびそれが生活環境に反するかどうかをどの程度変化させるかは、まだ測定されていない。 このギャップは文脈化によって解決され,各発見の重症度は,発見者が生活する環境における証拠から再導出される。 事前計算されたクロスシグナルグラフ上のディープリサーチエージェントは、リソースの状態、グラフ近傍、その他の製品の信号に対する各発見を調査し、エビデンストレースで調整された重症度を返す。 実運用環境における2つの商用クラウドセキュリティプラットフォームから得られた9,967件の製品現場調査において,実運用環境に対する検証の背景にある事実の忠実さ,フラグ付きリソースを超える文脈における各決定の依存性,推論の規則性という3つの基準に基づいて評価を行った。 4つのうち3つが下向きに再度分解され、同じ規則はしばしば1つの環境の中で反対方向に動く。 決定的な証拠の約半数はフラグ付き資源を超えており、ライブインフラストラクチャーの読み取り専用調査では、決定された結果の99.4%が決定的な事実を確認している。

関連論文リスト

• EnvHarness: Awakening Static Worlds for Agent Learning [58.54600450547412]
  Environment Harnessは静的な環境をラップして、基礎となるロジックを変更することなく振る舞いを再構築する。 EnvHarnessは様々な領域にまたがって適用され、すべての再形環境が元の検証元を保持する。 EnvRiggerはターゲットポリシーをブラックボックスとして扱い、その実行軌跡を観察して、診断された欠陥をターゲットとしたEnvHarnessコンポーネントを合成する。
  論文  参考訳（メタデータ） (2026-08-20T10:42:06Z)
• Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation [17.941409894004636]
  アウト・オブ・ディストリビューション(OOD)レコメンデーションは、潜伏環境によって引き起こされる選好シフトに対して脆弱である。 我々は、このタスクを条件付き特定可能なリスク対応レコメンデーション(CI-RR)として定式化する。 我々はCILER(Con Conditionally Identibility Latent-Environment Recommendation)を提案する。
  論文  参考訳（メタデータ） (2026-08-04T13:30:51Z)
• Ask the World Before Acting: Environment Probing for Calibrated Agent World Models [2.571318992830046]
  長い地平線に作用する言語エージェントは、ツール状態、オブジェクト位置、グラフエッジ、サブゴール依存関係に関する信念を維持する必要がある。 我々は、構造化エージェントワールドモデルのための予算決定問題として環境探索を定式化する。 EnvProbeは、タスククリティカル性、安定化性、言語化された不確実性、依存性の役割を組み合わせた単純なスコアリングポリシーです。
  論文  参考訳（メタデータ） (2026-06-30T09:45:49Z)
• Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty [70.43119366710778]
  本稿では,Agens-BRACE: Agent Belief state Representation by Abstraction and Confidence Estimationを紹介する。 LLMエージェントを信頼状態モデルと政策モデルに分離し、強化学習を通じて協調的に最適化する手法である。 長期にわたる部分的に観察可能な言語環境において、平均して+14.5%の絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2026-05-12T02:37:04Z)
• Computer Use at the Edge of the Statistical Precipice [19.604476051265852]
  記録されたアクションシーケンスを盲目的に実行した1MBのリプレイスクリプトは、顕著な静的ベンチマークにおいてフロンティアモデルよりも優れていることを示す。 非原則的環境設計と非原則的評価手法の2つの根本原因を追究する。
  論文  参考訳（メタデータ） (2026-05-07T22:43:43Z)
• The Confidence Gate Theorem: When Should Ranked Decision Systems Abstain? [0.0]
  ランク付けされた決定システムは、いつランク付けされたアウトプットに介入するか、いつ停止するかを判断しなければならない。 信頼に基づく棄権が意思決定の質を単調に改善し、いつ失敗するかを考察する。
  論文  参考訳（メタデータ） (2026-03-10T17:44:10Z)
• Contextual Safety Reasoning and Grounding for Open-World Robots [79.98924225712668]
  COREは、環境に関する事前の知識なしに、オンラインのコンテキスト推論、接地、執行を可能にする安全フレームワークである。 知覚の不確実性を考慮したCOREの確率論的安全性保証を提供する。 シミュレーションと実世界の実験を通じて、COREは目に見えない環境において、文脈的に適切な振る舞いを強制することを示した。
  論文  参考訳（メタデータ） (2026-02-23T15:51:23Z)
• Evaluating saliency scores in point clouds of natural environments by learning surface anomalies [0.2340830801548167]
  そこで本稿では, 環境が乱雑な環境と区別し, 環境との相違点を評価することを提案する。 以前のサリエンシ検出アプローチでは、主に手作りの属性が提案されていた。 本稿では,音やテクスチャ面に対応する学習機構を提案する。
  論文  参考訳（メタデータ） (2024-08-26T17:04:52Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)

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。