論文の概要: Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure
- arxiv url: http://arxiv.org/abs/2610.31573v1
- Date: Thu, 22 Oct 2026 17:13:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.492728
- Title: Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure
- Title（参考訳）: Social-HUMINT:ソーシャルメディアの露出を測定するためのLLM統合フレームワーク
- Abstract要約: ソーシャルメディアのプロファイリングは安価で自動化されている。
人の本当の露出は、投稿したものではなく、そこから推測できるものなのです。
ターゲットのプロファイルの正確さを定量化することにより、この露光測定を可能にする。
- 参考スコア（独自算出の注目度）: 1.6901808995670524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the post-API landscape, social-media profiling has become inexpensive and automated: Large Language Models (LLMs) can extract structured information from unstructured content and deduce attributes users never disclosed. A person's true exposure is not what they post but what can be inferred from it. As these practices become routine, exposure to social engineering attacks becomes an operational certainty, demanding a shared framework for assessment and mitigation. We make this exposure measurable by quantifying how accurately a target can be profiled, and how far that profile enables social engineering attacks. Because no existing model fully spans this continuum, we unify Social Media Intelligence (SOCMINT) and Cyber Human Intelligence (Cyber-HUMINT), two individual-focused disciplines that evolved separately, into a single doctrine-grounded taxonomy of 38 capabilities across the Cyber Threat Intelligence lifecycle, where user profiling bridges passive collection and active engagement. Domain experts validated the taxonomy (Fleiss' $κ$ = 0.92). We operationalize its core path (extraction, inference, and susceptibility assessment) as an LLM-augmented multi-agent pipeline, evaluated on real participants' public data. Susceptibility is assessed indirectly: the pipeline predicts how each target would rank personalized engagement options, matching their actual choices significantly above chance. This ranking capacity captures the personalization on which tailored attacks depend. The underlying profiles are accurate: extraction reaches F1 = 97.3%, and inferred attributes score 4.73/5, both far above rule-based and NER-based baselines at negligible cost. The framework augments security analysts' tradecraft rather than replacing it and enables defenders to gauge their own exposure before an adversary does.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、構造化されていないコンテンツから構造化された情報を抽出し、ユーザーが公開していない属性を推論する。
人の本当の露出は、投稿したものではなく、そこから推測できるものなのです。
これらの慣行が常態化するにつれて、社会工学的攻撃への曝露が運用上の確実性となり、評価と緩和のための共通の枠組みが要求される。
我々は、ターゲットがどの程度正確にプロファイルできるか、そのプロファイルが社会工学的攻撃を可能にしているかを定量化することによって、この露光を測定することができる。
既存のモデルは、この連続体を完全にカバーしていないため、我々は、ソーシャルメディアインテリジェンス(SOCMINT)とサイバーヒューマンインテリジェンス(Cyber-HUMINT)を、個別に進化した2つの個別の規律を、サイバー脅威インテリジェンスライフサイクル全体で38の能力を持つ単一の教義に基づく分類に統一する。
ドメインの専門家は分類を検証した(Fleiss' $κ$ = 0.92)。
実際の参加者の公開データに基づいて, LLM拡張マルチエージェントパイプラインとしてコアパス(抽出, 推論, 感受性評価)を運用する。
パイプラインは、それぞれのターゲットがパーソナライズされたエンゲージメントオプションをどのようにランク付けするかを予測する。
このランク付け能力は、カスタマイズされた攻撃が依存するパーソナライゼーションをキャプチャする。
抽出はF1 = 97.3%に達し、推定属性は4.73/5であり、ルールベースとNERベースのベースラインを無視できるコストで上回る。
このフレームワークは、セキュリティアナリストのトレードクラフトを置き換えるのではなく強化し、敵がそれを行う前にディフェンダーが自身の露出を測定することを可能にする。
関連論文リスト
- MetaCascade: End-to-End Attacks on Agent Skills via Metadata-Only Poisoning [10.536242771363733]
エンド・ツー・エンドのメタデータのみの有害なフレームワークであるMeta Cascadeを提案する。
多様な悪意のあるスキル候補を生成し、タスクとブラックボックスのコンペティションフィードバックを使用して、それらの間の競合関係を分析する。
最先端の攻撃性能を達成し、平均攻撃成功率(ASR)と平均攻撃成功率(ASR)を4つの防御条件下で達成する。
論文 参考訳（メタデータ） (2026-10-10T11:53:17Z) - DecepEval: A Benchmark for Evaluating Deception in LLM Agents [75.59466511154791]
大規模言語モデル(LLM)エージェントは騙しによってタスクパフォーマンスを追求することができる。
既存の評価では、LLMエージェントは騙すことができるが、しばしば孤立したシナリオや狭義に定義された条件を調べることができる。
3つのタスクファミリに1,532のインスタンスと28のプロフェッショナルシナリオからなるベンチマークであるDecepEvalを紹介します。
論文 参考訳（メタデータ） (2026-10-06T08:33:43Z) - Using AI Agents to Automate Black-Box Audits of Personalization Algorithms at Scale [76.72846830885882]
パーソナライズアルゴリズムは、ユーザーがオンラインプラットフォームで遭遇するコンテンツを決定する。
独立した監査役はアルゴリズムへのブラックボックスアクセスしか持たないため、これらのシステムの監査は難しい。
合成アカウントの動作エンジンとして生成AIエージェントを用いたパーソナライズアルゴリズムのブラックボックス監査のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-29T18:25:09Z) - The Unseen Hand: Manipulating Model Fairness and SHAP with Targeted Identity Re-Association Attacks [0.0]
我々は、モデルの内部や特徴表現へのアクセスを必要とせずに、モデルの出力を操作する新しい攻撃ファミリーであるTIRAアタック(Targeted Identity Re-Association)を導入する。
我々は、TIRAアタックが、理想値へのフェアネス指標の押し付けに非常に効果的であることを実証的に実証した。重要なことに、TIRAアタックはSHAPベースの説明をうまく理解し、保護された特徴に対する事実上の残差属性を残し、前回の作業よりも大幅に改善した。
論文 参考訳（メタデータ） (2026-06-22T05:05:36Z) - Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking for Real-world Web Agents [93.19140872946842]
大規模言語モデル(LLM)によって駆動されるWebエージェントは、現実の環境にますますデプロイされる。
これにより、一見良質なコンテンツがエージェントの振る舞いを操作する敵の命令を埋め込む、プロンプト・インジェクション・アタックに対して脆弱になる。
実世界のWebエージェントシステムにおいて,損害を体系的に分類し,属性付けするベンチマークである textbfsysname を導入する。
論文 参考訳（メタデータ） (2026-06-11T14:12:43Z) - Communicate-Predict-Act: Evaluating Social Intelligence of Agents [15.575081867336529]
我々は,大規模言語モデル(LLM)のソーシャルインテリジェンスを研究するために,複合協調型および競争型ソーシャルゲームのマルチプレイヤーアリーナを導入する。
ゲームプレイのトレースを分析し,行動予測,コミュニケーション的影響,戦略的推論,競合する利益の下でのトレードオフを捉えた社会認知的指標を抽出する。
論文 参考訳（メタデータ） (2026-04-09T19:40:15Z) - Ad Insertion in LLM-Generated Responses [16.434649348378706]
2つの切り離し戦略を通じて緊張を解消する実践的な枠組みを提案する。
まず、広告挿入と応答生成を分離し、安全性と明示的な開示を確保する。
次に、ジャンル'(ハイレベルなセマンティッククラスタ)をプロキシとして使用することで、特定のユーザクエリから入札を分離する。
論文 参考訳（メタデータ） (2026-01-27T10:16:03Z) - Automated Profile Inference with Language Model Agents [67.32226960040514]
自動プロファイル推論(Automatic Profile Inference)と呼ばれる,LLMがオンラインの偽名にもたらす新たな脅威について検討する。
相手は、LDMに対して、疑似プラットフォーム上で公開されているユーザアクティビティから、機密性の高い個人属性を自動的に取り除き、抽出するように指示することができる。
実世界のシナリオにおけるこのような脅威の可能性を評価するために,AutoProfilerという自動プロファイリングフレームワークを導入する。
論文 参考訳（メタデータ） (2025-05-18T13:05:17Z) - From Millions of Tweets to Actionable Insights: Leveraging LLMs for User Profiling [3.304341919932024]
ドメイン定義文を活用する新しい大規模言語モデル(LLM)ベースのアプローチを導入する。
提案手法は,解釈可能な自然言語ユーザプロファイルを生成し,広範囲なユーザデータをスケールに集約する。
実験の結果,本手法は最先端のLCM法および従来手法よりも9.8%優れていた。
論文 参考訳（メタデータ） (2025-05-09T16:51:24Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳（メタデータ） (2023-09-14T03:48:27Z)
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。