論文の概要: Organizational Context for the Enterprise Security Brain

• arxiv url: http://arxiv.org/abs/2610.12540v1
• Date: Thu, 08 Oct 2026 13:52:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.220397
• Title: Organizational Context for the Enterprise Security Brain
• Title（参考訳）: エンタープライズセキュリティ脳のための組織的コンテキスト
• Abstract要約: 企業セキュリティの脳のレイヤとして組織的コンテキストを導入し、それを分類学と、その表現が保持しなければならない6つの特性で定義する。 AWS、Okta、Google Workspace、GitHubにまたがる運用環境では、プールされた1,355の接地真理を0.87の精度でリカバリする。 エージェントがライブ状態と解決されたコンテキストを推論すると、古いフィニングタスクの0.97で競合が発生し、ポリシー調整タスクの0.83で、アーキテクチャタスクの0.86で回答正解に達する。
• 参考スコア（独自算出の注目度）: 0.41942958779358674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents that investigate and decide on enterprise security reason over a machine-readable view of the environment: its assets, identities, configurations, relations, and findings. The correct judgment about an asset also depends on what the organization knows about it: who owns it, what business function it serves, which policy governs it, and which risks were accepted. Part of this knowledge can be inferred from machine state, such as an ownership tag; most of it is recorded by people in policies, audit reports, architecture diagrams, tickets, and conversations, outside machine state. We call this distance the organizational context gap. Closing it poses four challenges: extracting the right claims from heterogeneous organizational data and, at inference time, detecting claims made stale by live state, checking live state against the governing policy, and binding architecture diagrams, which carry the business logic, to live resources. We introduce organizational context as a layer of the enterprise security brain and define it with a taxonomy and six properties its representation must preserve. We then define a context model in which a claim carries one meaning, an attestation records each source that asserts it, strength is derived from live evidence at read time, and claims resolve onto the entities of the asset graph. On a production environment spanning AWS, Okta, Google Workspace, and GitHub, extraction recovers 0.80 of a pooled 1,355-claim ground truth at 0.87 precision, with 0.5% of extracted claims unsupported by their source. An agent reasoning over live state and resolved context raises the conflict in 0.97 of stale-finding tasks, and reaches answer correctness of 0.83 on policy-alignment tasks and 0.86 on architecture tasks.
• Abstract（参考訳）: その資産、アイデンティティ、構成、関係、発見といった、マシン可読な環境の観点でエンタープライズセキュリティの理由を調査し、決定するエージェント。 資産に関する正しい判断は、組織がそれについて知っているもの、誰が所有するか、どのビジネス機能を提供し、どのポリシーがそれを管理し、どのリスクが受け入れられるかにも依存します。 ほとんどはポリシーや監査報告、アーキテクチャ図、チケット、会話など、外部のマシン状態に記録されている。 私たちはこの距離を組織的なコンテキストギャップと呼んでいる。 異質な組織データから正しいクレームを抽出し、推論時に、ライブステートによって汚されたクレームを検出し、ガバナンスポリシーに対してライブステートをチェックすること、ビジネスロジックを運ぶアーキテクチャ図をライブリソースに結合すること、の4つの課題がある。 企業セキュリティの脳のレイヤとして組織的コンテキストを導入し、それを分類学と、その表現が保持しなければならない6つの特性で定義する。 次に、クレームが1つの意味を持つコンテキストモデルを定義し、それを主張する各ソースを記録し、その強さはリード時のライブエビデンスから導き出され、クレームはアセットグラフのエンティティに分解される。 AWS、Okta、Google Workspace、GitHubにまたがる運用環境では、プールされた1,355の接地真理の0.80を0.87の精度で回収し、抽出されたクレームの0.5%がソースによってサポートされていない。 エージェントがライブ状態と解決されたコンテキストを推論すると、古いフィニングタスクの0.97で競合が発生し、ポリシー調整タスクの0.83で、アーキテクチャタスクの0.86で回答正解に達する。

関連論文リスト

• ENTLORE: A Graph-Grounded Benchmark for Latent Organizational Reasoning in Enterprise Question Answering [42.15843879644805]
  本稿では,日常的な文書から監査対象の企業世界を再構築するベンチマーク構築フレームワークであるENTLOREを紹介する。 バージョン管理された組織規約は、真理グラフで派生関係を認証し、完全な黄金の回答と証明証明書を可能にする。 ENTLOREには3つのソースタイプから2,341のドキュメントと907の質問が含まれており、明示的なルックアップ、クロスソースな構成、潜伏した組織的推論を含んでいる。
  論文  参考訳（メタデータ） (2026-08-11T09:00:43Z)
• Open Security Benchmark: Towards Autonomous Enterprise Cyber Defense [0.49157446832511503]
  この作業にAIをエージェントするフレームワークであるOpen Security Benchmark(OSB)を紹介します。 OSBは、凍結した、セキュリティ状態の全体像である、企業環境のキュレーションを表面化します。 OSBは、データ層、タスクと評価セット層、多次元スコアリング層、最小監査可能なハーネスの5つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-07-29T14:46:04Z)
• 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)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Context Kubernetes: Declarative Orchestration of Enterprise Knowledge for Agentic AI Systems [0.0]
  エージェントAIシステムにおけるエンタープライズ知識のオーケストレーションのためのアーキテクチャであるContextを紹介する。 本稿では,6つのコア抽象化,知識アーキテクチャ・アズ・コードのためのYAMLマニフェスト,和解ループ,3層エージェントパーミッションモデルについて定式化する。 コンテキストオーケストレーションをコンテナオーケストレーションよりも難しくする4つのプロパティを特定します。
  論文  参考訳（メタデータ） (2026-04-13T15:35:55Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)

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。