論文の概要: Adversary Brains: Hypothesis-Based Logical Signatures for Threat Actor Detection with LLMs

• arxiv url: http://arxiv.org/abs/2610.35624v1
• Date: Mon, 26 Oct 2026 15:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.057118
• Title: Adversary Brains: Hypothesis-Based Logical Signatures for Threat Actor Detection with LLMs
• Title（参考訳）: 副脳:LDMを用いた脅威アクター検出のための仮説に基づく論理信号
• Abstract要約: 敵の脳は 脅威俳優の行動のモデルだ 進化的な論理的シグネチャとして これは、競合仮説解析(ACH)と呼ばれる知能分析技術に基づいている。 ACHは、数個の仮説を一度に数千まで引き上げ、連続的な検出のために運用する。
• 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: An adversary brain is an LLM-based model of a threat actor's behavior, held as an evolving logical signature: a hypothesis with enough structure that data can test it continuously, without a person re-interpreting it each time. Rather than any single observation, such as an IoC (Indicator of Compromise), it is the arrangement that becomes a detection, or intelligence, mechanism. Where YARA matches a file and Sigma matches a log line, an adversary brain matches the activity pattern of a campaign or threat actor. This is based on an intelligence analysis technique called Analysis of Competing Hypotheses (ACH), which the design lifts from the limitation of a few hypotheses at a time, to thousands, and then also operationalizes it for continuous detection purposes. Language models make the concept, and scale, practical: they turn prose reports into brains, judge matches, and drive the loop that keeps brains current. A partial pattern in a brain can also match a new value, such as a fresh C2 (command and control) domain name, assisting with the discovery of new indicators, and turning unknown unknowns into known unknowns, and potentially into knowns. The author would like to thank Ryan Moon for the collaboration, and Sounil Yu, Chris Inglis, Thomas Roccia, Marius Benthin, Israel Grimberg, Michal Kamensky, Justin Borland, Brandon Levene, John Hultquist, and John Bambenek for their feedback and assistance.
• Abstract（参考訳）: 敵対的脳は、脅威俳優の行動のLLMモデルであり、進化的論理的シグネチャとして保持される。 IoC (Indicator of Compromise) のような単一の観測ではなく、検出や知性、メカニズムとなる配列である。 YARAがファイルにマッチし、Sigmaがログラインにマッチすると、敵の脳はキャンペーンや脅威アクターのアクティビティパターンにマッチする。 これはACH(Analytic of Competing hypotheses)と呼ばれるインテリジェンス解析技術に基づいており、これは設計が一度に数個の仮説の限界から数千まで持ち上げられ、連続的な検出のために運用される。 言語モデルは、散文のレポートを脳に変換し、一致を判断し、脳の電流を維持するループを駆動する。 脳内の部分的なパターンは、新しいC2ドメイン名(コマンドとコントロール)、新しい指標の発見の支援、未知の未知を未知の未知の未知に、そして潜在的に未知の未知に、といった新しい値と一致させることができる。 Sounil Yu、Chris Inglis、Thomas Roccia、Marius Benthin、Israel Grimberg、Michal Kamensky、Justin Borland、Brandon Levene、John Hultquist、John Bambenekが、彼らのフィードバックと援助に感謝している。

関連論文リスト

• Unlearning as Ablation: Toward a Falsifiable Benchmark for Generative Scientific Discovery [0.0]
  大きな言語モデル(LLM)は本当に新しい知識を生成するのか、それとも単に記憶された断片をリミックスするだけなのか? 建設科学的発見のフレーバーとして,非学習的アズ・アブレーションを提案する。
  論文  参考訳（メタデータ） (2025-08-25T05:24:15Z)
• Understanding Human Limits in Pattern Recognition: A Computational Model of Sequential Reasoning in Rock, Paper, Scissors [7.7997684022104234]
  仮説的マインドス(英: hypothetical Minds)は、対立する戦略に関する仮説を生成し、検証する、大きな言語モデルに基づくエージェントである。 同じ実験条件に適用した場合、HMは人間のパフォーマンスパターンを忠実に反映し、成功し、同様の方法で失敗することを示す。 教育的な介入を通じてモデル仮説を体系的に操作することにより、モデルが相手の行動に対する因果的理解を著しく更新することを発見した。
  論文  参考訳（メタデータ） (2025-07-25T15:56:25Z)
• Language Models Are Capable of Metacognitive Monitoring and Control of Their Internal Activations [2.759846687681801]
  大規模言語モデル(LLM)は、タスクの解決に実際に使用している戦略を報告することができるが、その振る舞いを管理する戦略を認識できない場合もある。 これはメタ認知(メタ認知)の程度が限定されていることを示唆している。 我々は,LLMのメタ認知能力の定量化と,その活性化パターンの報告と制御に,文脈内学習を用いた神経科学に着想を得た神経フィードバックパラダイムを導入する。
  論文  参考訳（メタデータ） (2025-05-19T22:32:25Z)
• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• Cognitive Overload: Jailbreaking Large Language Models with Overloaded Logical Thinking [60.78524314357671]
  本研究では,大規模言語モデル(LLM)の認知的構造とプロセスをターゲットにした新しいジェイルブレイク攻撃のカテゴリについて検討する。 提案する認知的オーバーロードはブラックボックス攻撃であり、モデルアーキテクチャやモデルウェイトへのアクセスの知識は不要である。 AdvBenchとMasterKeyで実施された実験では、人気のあるオープンソースモデルであるLlama 2とプロプライエタリモデルであるChatGPTの両方を含む様々なLLMが、認知的オーバーロードによって妥協可能であることが明らかになった。
  論文  参考訳（メタデータ） (2023-11-16T11:52:22Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• One-shot learning of paired association navigation with biologically plausible schemas [3.990406494980651]
  複数のペア・アソシエーション・ナビゲーションタスクにおける一発一発学習はスキーマに依存していると仮定されている。 生物学的に妥当なニューラル実装を持つスキーマからエージェントを構成する。 アクター・クリティカルによって補足されたスキーマは、障害が直接の進路を妨げたとしても、エージェントが成功することを示す。
  論文  参考訳（メタデータ） (2021-06-07T13:03:51Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。