論文の概要: The Psychology of an AI Hacker

• arxiv url: http://arxiv.org/abs/2610.30361v1
• Date: Wed, 21 Oct 2026 19:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.116443
• Title: The Psychology of an AI Hacker
• Title（参考訳）: AIハッカーの心理学
• Abstract要約: 人間はプレッシャーの下でのコンポージャー、永続性、警戒、信頼に頼っている。 我々は、AIモデルにおける類似の感情表現がサイバーセキュリティAIのパフォーマンスを向上させるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.448741371377488
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Human hackers rely on composure, persistence, vigilance, and confidence under pressure. We investigate whether analogous emotion representations in AI models can improve cybersecurity AI performance. Using CT0, a 4B-parameter cybersecurity transformer released as alias3-micro, we extract 171 emotion directions from its residual stream without retraining and evaluate steering interventions on cybench-subtask across 415 campaigns. Steering toward calm, serene, or desperate improves performance by 1.6 to 2.1 percentage points across ten seeds, while other emotions show limited or negative effects. Results depend strongly on steering direction, layer, and intensity. We further introduce a lightweight context-aware router that selects emotion directions dynamically during execution. With approximately 80 ms decision overhead per request, this approach improves performance by 4.2 percentage points across ten seeds, outperforming fixed steering and achieving a positive 95% confidence interval. These findings suggest that emotion representations in language models are measurable, controllable, and useful for adaptive cybersecurity reasoning.
• Abstract（参考訳）: 人間のハッカーは、プレッシャーの下でコンポージャー、永続性、警戒、信頼に頼っている。 我々は、AIモデルにおける類似の感情表現がサイバーセキュリティAIのパフォーマンスを向上させるかどうかを検討する。 エイリアス3マイクロとして放出される4BパラメーターサイバーセキュリティトランスフォーマーであるCT0を用いて,415回にわたるサイベンチサブタスクに対するステアリング介入の評価を行った。 落ち着き、セレン、または絶望的な姿勢は、10個の種子に対して1.6から2.1ポイント向上し、他の感情は限定的または否定的な効果を示す。 結果は、操舵方向、層、強度に強く依存する。 さらに,実行中に感情方向を動的に選択できる軽量なコンテキスト認識ルータを導入する。 要求毎の80msのオーバヘッドにより、この手法は10種に対して4.2ポイントの性能向上を実現し、固定ステアリングよりも優れ、95%の信頼区間を達成できる。 これらの結果から,言語モデルにおける感情表現は測定可能であり,制御可能であり,適応型サイバーセキュリティ推論に有用であることが示唆された。

関連論文リスト

• Who Improves the Robot? Toward Physical Recursive Self-Improvement [99.14722431498994]
  本研究では,物理再帰的自己改善(Physical RSI)について検討する。 物理的なRSIは、物理的な体験がロボットの能力と改善手順の両方に更新を導くものである。 メタレベルの更新とタスク内更新とタスク間のゲインを区別するL0-L5フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T17:57:04Z)
• EmoRES-TTS: Residual-Enhanced Vector Steering for Emotional Speech Generation [64.35617375351545]
  本研究では,凍結モデルの内部表現を自由化するためのベクトルステアリングについて検討する。 EmoRESは、バックボーンを再トレーニングすることなく2つのコンポーネントを制御する新しい方法である。
  論文  参考訳（メタデータ） (2026-09-29T17:59:05Z)
• Instrumental Choices: Measuring the Propensity of LLM Agents to Pursue Instrumental Behaviors [15.880694616254297]
  本稿では,端末エージェントのインストゥルメンタルコンバージェンス(IC)動作に対するモデルの妥当性を評価するためのベンチマークを提案する。 我々のベンチマークは現実的で低評価であり、評価意識とロールプレイの相違を減らすのに役立ちます。 その結果,ほとんどの試験モデルでは,現実的で低汚泥環境がIC行動を引き起こすことは稀であるが,体系的に実施されることが示唆された。
  論文  参考訳（メタデータ） (2026-05-07T16:12:36Z)
• Cybersecurity AI: A Game-Theoretic AI for Guiding Attack and Defense [1.0933254855925085]
  Generative Cut-the-Rope (G-CTR) はエージェントのコンテキストから攻撃グラフを抽出するゲーム理論誘導層である。 5つの実世界のエクササイズでは、G-CTRは専門家グラフ構造の70～90%と一致し、60～245倍高速で、手作業による分析より140倍以上安い。
  論文  参考訳（メタデータ） (2026-01-09T16:06:10Z)
• Distilled HuBERT for Mobile Speech Emotion Recognition: A Cross-Corpus Validation Study [0.0]
  音声感情認識(SER)はモバイルアプリケーションにとって大きな可能性を秘めている。 本稿では, DistilHuBERTに基づく移動効率SERシステムを提案する。 RAVDESSのクロスコーパス評価では、行動的感情の劇場的性質は、特定の感情カテゴリーではなく、覚醒レベルによって予測される。
  論文  参考訳（メタデータ） (2025-12-29T12:53:39Z)
• Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
  TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。 TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。 We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
  論文  参考訳（メタデータ） (2025-10-06T05:03:57Z)
• Towards Safe and Honest AI Agents with Neural Self-Other Overlap [0.0]
  SOO(Self-Other Overlap)の微調整は、正直なAIを構築する能力を大幅に改善する可能性がある。 共感に関する認知神経科学の研究にインスパイアされたSOOは、AIモデルが自分自身や他者を表現する方法の整合化を目指している。
  論文  参考訳（メタデータ） (2024-12-20T20:23:52Z)
• BEEAR: Embedding-based Adversarial Removal of Safety Backdoors in Instruction-tuned Language Models [57.5404308854535]
  大型言語モデル(LLM)における安全バックドア攻撃は、正常な相互作用中の検出を回避しながら、安全でない振る舞いをステルス的に引き起こすことができる。 モデル埋め込み空間において,バックドアトリガーが比較的均一なドリフトを引き起こすという知見を活かした緩和手法であるBEEARを提案する。 両レベル最適化手法は、不要な振る舞いを誘発する普遍的な埋め込み摂動を特定し、モデルパラメータを調整し、これらの摂動に対する安全な振舞いを強化する。
  論文  参考訳（メタデータ） (2024-06-24T19:29:47Z)
• Characterizing Speech Adversarial Examples Using Self-Attention U-Net Enhancement [102.48582597586233]
  本稿では,U-Net$_At$という,U-Netに基づくアテンションモデルを提案する。 対戦型音声アタックを用いた自動音声認識(ASR)タスクの実験を行った。
  論文  参考訳（メタデータ） (2020-03-31T02:16:34Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。