論文の概要: Auditing the Hand-Written Inputs of Learned Access Control
- arxiv url: http://arxiv.org/abs/2610.31388v1
- Date: Thu, 22 Oct 2026 14:53:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.416075
- Title: Auditing the Hand-Written Inputs of Learned Access Control
- Title（参考訳）: 学習アクセス制御における手書き入力の検討
- Abstract要約: ハードデニーの音質を定式化し、最大794,250人の関係で徹底的に確認する。
第二に、ハイブリッドルーティングには、ABACマイナが出力しない2クラスで控えめなルールセットが必要です。
第三に、付加的な損失に対して、ハイブリッド・リバース・ラーナー効果は、ルール・ラーナーのリスクコントラストを報告しなければならない被被覆質量時間に分解する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learned access control is typically deployed behind two hand-built artefacts: a hard-deny set enforced by a small trusted shield, and a region map that decides which requests mined rules answer and which the learner answers. Verifying the shield or measuring the learner validates neither. We audit both on the five public ABAC Lab policies. First, we formalise hard-deny soundness and check it exhaustively over relations of up to 794,250 tuples. Clauses that faithfully transcribe an explicit restriction are unsound at rates of 0.50-0.70 across four elicitors - an author and three blind language-model elicitors - because prose scopes restrictions to a section while the grant relation is a disjunction over all rules: 97% of counterexamples are granted by other rules. Shipped unchecked, these deny sets would withhold 16-78% of everything the policies grant; certified, they withhold nothing. Vacuity, a second silent failure, also occurs. Second, hybrid routing needs a two-class, abstaining rule set that ABAC miners do not emit, and ranking a mixed-effect candidate pool under a cap is one-class in all 24 cells for the two commonest ranking keys. Third, for additive losses the hybrid-versus-learner effect factorises into covered mass times a rule-learner risk contrast that must be reported on both false-non-grant and false-permit loss: on two real policies, most selection rules give opposite verdicts on the two losses, and the one favourable on both holds for one policy, one learner configuration and a band of noise levels. A released artefact regenerates and checks every reported number.
- Abstract（参考訳）: 学習されたアクセス制御は通常、小さな信頼できるシールドによって強制されるハードデニーセットと、どの要求がマイニングされたルールに答え、どの学習者が答えるかを決定する領域マップの2つの手作りアーティファクトの背後に配置される。
シールドの検証や学習者の測定はどちらも有効ではない。
ABAC Labの5つの政策を監査する。
まず, 硬い音質を定式化し, 最大794,250タプルの関係を網羅的に確認する。
明示的な制限を忠実に転写するクローズは、著者と3人の盲目言語モデルエリシターの間で0.50-0.70のレートで不正確である。
未確認で出荷されたこれらの拒否セットは、ポリシーが許したすべての16～78%を保持せず、認証され、何も保持されない。
第2の静かな失敗であるVacuityも発生している。
第2に、ハイブリッドルーティングには、ABACマイニングが出力しない2つのクラス、控えめなルールセットが必要であり、混合効果候補プールをキャップの下にランク付けすることは、2つの一般的なランキングキーに対して24セル中1クラスである。
第三に、加法的損失に対しては、ハイブリッド・ヴァーサス・ラーナー効果は、偽の非グラントと偽のパーミット損失の両方について報告しなければならないルール・ラーナーのリスクコントラストを被覆質量時間に分解する: 2つの実際のポリシーでは、ほとんどの選択規則は2つの損失に対して反対の判定を与える。
リリースされたアーティファクトは、報告されたすべての番号を再生し、チェックします。
関連論文リスト
- Human Interventions as Labels: Localizing, Steering, and (Sometimes) Editing the Computations Behind LLM Agent Failures [41.99844472131922]
本研究では,視覚障害者の判断に対して,ルールに基づく監督者のラベルを付して,制御されたエージェント環境を1つの障害で調査する。
第一に、w-vs-act決定は、すべての資格を持つ家族に因果的ローカライズ可能である。
第二に、オーバーエイキングには2つのメカニスティックなシグネチャがある: 4つのファミリーでは、モデルは明らかにその要求が曖昧であることを知っている。
論文 参考訳（メタデータ） (2026-10-15T11:27:19Z) - Learning When to Withdraw: Curriculum Coverage and Rule-Specific Failures in Fine-Tuned Language Agents [0.0]
NAQD-Envにおける教師付き微調整について検討した。
Qwen2.5-3B-Instructの4つのLoRAチェックポイントは、オリジナルのカリキュラムをリッチなカリキュラムと比較する。
論文 参考訳（メタデータ） (2026-10-15T00:38:39Z) - Learned Reporting Preferences in RLVR Can Conflict with the Current Request [19.531321651869565]
我々は2つの報告規約の下で政策を訓練し、それぞれの政策を現在の両方の要求の下で評価する。
ボックス式RLVRは要求されたハッシュフォーマットペイロードを含むQwen2.5-7B応答の割合を35.33～74.37ポイント削減する。
教師付きターゲットにおける最終回答マーカーだけを変更すると、モデルが3つのシードで好むレポートの規則が逆転する。
論文 参考訳（メタデータ） (2026-09-29T03:05:29Z) - Auditability Is Not One Property: Rule Overlap, Behavioural Agreement, and Composition in Reinforcement Learning [0.0]
強化学習(RL)ポリシーは、しばしば不透明な神経チェックポイントとして配布される。
独立して訓練された政策が、監査可能な個別の行動規則によって表現され、構成できるかどうかを考察する。
論文 参考訳（メタデータ） (2026-09-23T13:11:10Z) - Subgroup Membership Inference Audits of Differentially Private Synthetic Text [28.947903737268916]
このようなリリースの最悪のプライバシー漏洩が、差分プライバシー(DP)によって拘束されているとしても、実際には残留するリスクが残っている。
本稿では,対象プールが明示的なパラメータであるサブグループ対象メンバシップ推論ゲームを定義し,32プロキシの監査でインスタンス化する。
監査は、合成リリースがサブグループのメンバシップをリークし、事前攻撃がこのリークを体系的に過小評価していることを示している。
論文 参考訳（メタデータ） (2026-09-09T07:56:24Z) - Harness-IF: Evaluating Instruction Following Across Instruction Surfaces in Coding Agents [29.96375986740068]
Harness-IFは、実行証拠から一度に1つの運用ルールをスコアする。
AP-Accは、不正なデフォルトに対してラベル付けされたルールのみをスコアする。
論文 参考訳（メタデータ） (2026-08-12T07:07:57Z) - WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。
アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。
凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
論文 参考訳（メタデータ） (2026-08-10T11:22:53Z) - Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies [33.432377306905735]
タスクベクトル算術は、モデルを修正するためのクローズドフォームな方法を提供するが、クローズドループロボット制御において、その振る舞いの局所性は未だ不明である。
マルチタスク・ビジョン・ランゲージ・アクション(VLA: Multitask Vision-Language-action)ポリシーから,タスク・ベクターごとのタスク・ベクター・サブトラクションのターゲット・アンド・コントロール・監査を行う。
論文 参考訳（メタデータ） (2026-08-05T10:59:53Z) - DUET: Dual-Teacher On-Policy Distillation via Same-Weight Disagreement for Prohibition Compliance [18.120747389265595]
DUETは、禁止(肯定的な)を見る教師と、(否定的な)否定しない同一の重みを持つ教師とをペアにする
2人の教師は、禁制の可視性においてのみ異なるため、一対の意見の不一致は禁制の因果効果を分離する。
明示的な拒絶、言い換えの堅牢性、過剰な拒絶を含む5つのタスクファミリーにまたがる産業禁制基準を構築した。
論文 参考訳（メタデータ） (2026-07-29T07:17:43Z) - Learning Adversarial MDPs with Stochastic Hard Constraints [37.24692425018]
我々は,制約付きマルコフ決定過程(CMDP)におけるオンライン学習について,敵対的損失と厳しい制約を伴って検討した。
我々の研究は、敵の損失と厳しい制約の両方にかかわるCMDPを初めて研究した。
論文 参考訳（メタデータ） (2024-03-06T12:49:08Z)
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。