論文の概要: Quantifying and Prioritizing Stealthy Source-Manipulation Threats Against Multi-Source Anomaly Detectors
- arxiv url: http://arxiv.org/abs/2610.36693v1
- Date: Tue, 27 Oct 2026 06:09:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.524426
- Title: Quantifying and Prioritizing Stealthy Source-Manipulation Threats Against Multi-Source Anomaly Detectors
- Title（参考訳）: マルチソース異常検出器に対するステルス源操作脅威の定量化と優先順位付け
- Abstract要約: クロスソースな異常検知器は、クリーンな偽陽性率と、ランダムな腐敗をいかにうまくキャッチするかによってしばしば判断される。
脅威定量化スコア(emphtask-conditioned visibility margin)を提案する。
マージンはクローズドな形状で、証明書あたり約85,000ドルを要し、最小限のエビデンス攻撃を発生させ、検出器が見えないタスク関連方向を特定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Security pipelines often fuse several data sources and protect a downstream model with a cross-source anomaly detector. Such detectors are usually judged by their clean false-positive rate and by how well they catch random corruption. Neither metric captures an adversary who controls some sources and targets a specific downstream decision. We propose a threat-quantification score, the \emph{task-conditioned visibility margin}, defined as the least detector evidence a manipulation must reveal per unit of harm to the downstream task. The margin has a closed form, takes about $85\,μ$s per certificate, yields a minimum-evidence attack, and identifies task-relevant directions the detector cannot see. On a 17-channel industrial telemetry benchmark, a detector that flags 82.8\% of random single-channel corruptions is first-order blind on 64.7\% of task/subset pairs in an audit of one- to four-channel subsets. Task-conditioned manipulations cause more than twice as many falsely reassuring errors as generic stealthy ones, and more of them evade the alarm on four of five splits, mainly at small budgets. Used to prioritize audits on held-out subsets, the margin finds a median of four verified failures in ten checks, compared with none for random order and two for alarm-based ranking, and performs comparably to the task-gradient baseline. It also ranks vulnerable configurations of the learned GDN and TranAD detectors and of a five-source crop-yield panel.
- Abstract（参考訳）: セキュリティパイプラインは、複数のデータソースを融合し、クロスソースの異常検出器で下流モデルを保護する。
このような検出器は通常、その清潔な偽陽性率と、ランダムな腐敗の程度によって判断される。
どちらの指標も、いくつかのソースを制御し、特定の下流決定をターゲットとする敵を捉えない。
脅威定量化スコア(emph{task-conditioned visibility margin})を提案する。このスコアは、操作が下流のタスクに対して1単位の害を示さなければならない最小の証拠として定義される。
マージンはクローズドな形状で、証明書あたり約85,μ$sを消費し、最小限のエビデンス攻撃を発生させ、検出器が見えないタスク関連方向を特定する。
17チャンネルの産業テレメトリのベンチマークでは、ランダムな単一チャネルの汚職の82.8\%をフラグする検出器は、1チャンネルから4チャンネルのサブセットの監査において64.7\%のタスク/サブセットペアに盲目である。
タスク条件の操作は、一般的なステルスのエラーの2倍以上の誤りを誤認し、多くの場合、主に小さな予算で5つの分割のうち4つのアラームを回避している。
ホールドアウトされたサブセットの監査を優先順位付けするために使用されるマージンは、10回のチェックで検証された4つの失敗の中央値であり、ランダムな順序では1つ、アラームベースのランキングでは2つである。
また、学習したGDNとTranAD検出器、および5ソースの作物収量パネルの脆弱な構成をランク付けする。
関連論文リスト
- The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
本研究は, ベットによる検査に基づく漏洩検出について検討する。
13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
論文 参考訳（メタデータ） (2026-09-27T14:14:10Z) - The Deception Delta: Adversarial Evaluation of LLM-Based Smart Contract Bytecode Forensics [0.0]
大規模な言語モデルは、ブロックチェーンの法医学的な調査でますます使われている。
逆行性騙しは ドレインの検出を 20.0ポイント減らす
モデルは、隠されたドレインメカニズムを正しく記述するが、契約のフレーミングを受け入れ、それを良心として無視する。
論文 参考訳（メタデータ） (2026-09-12T18:45:24Z) - Engineering Reliable Commit Gates for Agentic AI: Cost-Aware Verification Portfolios under Common-Mode Data Failures [4.287745257410248]
コスト対応コミットゲートのランタイム保証ベンチマークを提案する。
48のタスクテンプレートは、6つの障害レジームで2,880のシナリオを生成する。
結果は明確なエビデンスライン、コストアウェアの選択、コミットタイムの実施を動機付けます。
論文 参考訳（メタデータ） (2026-09-10T01:42:40Z) - Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。
統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文 参考訳（メタデータ） (2026-09-03T14:05:27Z) - Prior Audit-Repair Context Shifts LLM Verifier Thresholds Toward Leniency [0.025718125188898048]
我々は,現時点のタスクを個別に保持するプロセスベンチトレースに対して,擬似アラームを計測する。
完了した監査 -> モデルのコンテキストにすでにある修復エピソードは、15のモデルxワードの組み合わせのうち15の偽のアラームを低くする。
論文 参考訳（メタデータ） (2026-08-17T01:41:43Z) - What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
異常検知器は、しばしばサイバー物理システムの最後の防御線である。
これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。
我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。
我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
論文 参考訳（メタデータ） (2026-08-03T19:35:00Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。
本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。
本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
論文 参考訳（メタデータ） (2024-01-16T02:14:33Z) - Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-06-06T08:19:30Z)
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。