論文の概要: A Symbolic-Neural Framework for Context-Aware Evidence Extraction from Mobile SQLite Databases
- arxiv url: http://arxiv.org/abs/2611.03323v1
- Date: Mon, 02 Nov 2026 15:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:13:04.752651
- Title: A Symbolic-Neural Framework for Context-Aware Evidence Extraction from Mobile SQLite Databases
- Title（参考訳）: モバイルSQLiteデータベースからコンテキスト認識エビデンスを抽出するシンボリックニューラルフレームワーク
- Abstract要約: 我々は,モバイルデータベースからコンテキスト認識エビデンスを抽出するシンボリック・ニューラル・フレームワークであるSNEEFを提案する。
SNEEFは、各行を標準化されたメタデータと証明列ラベルでコンテキスト値ペアとしてエンコードする。
SNEEF は,Android と iOS の公開画像から構築した5つのコーパスから,検査者検証対象の真偽に対して評価する。
- 参考スコア（独自算出の注目度）: 2.3821681942419572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable forensic evidence extraction from mobile SQLite databases is challenging because application schemas are undocumented, evolve across releases, and differ across operating systems, making schema-specific methods brittle and difficult to maintain. We present SNEEF, a symbolic-neural framework for context-aware evidence extraction that encodes each SQLite row as context-value pairs with standardized provenance metadata and column labels, uses a language model to recognize nine forensic entity types, and binds each accepted entity to its source table and row through the PA-EEP provenance protocol. We evaluate SNEEF against examiner-verified ground truth from five corpora built from public Android and iOS device images, spanning multiple application versions. SNEEF achieves an F1 score of 0.967 for evidence entities extracted from SQLite row content, excluding application names, compared with 0.728 for a context-free configuration, with consistent gains across all corpora. We also introduce an Evidence Failure Mode taxonomy to characterize why extraction errors occur.
- Abstract（参考訳）: モバイルSQLiteデータベースから抽出された信頼性の高い法医学的証拠は、アプリケーションスキーマが文書化されておらず、リリース間で進化し、オペレーティングシステム間で異なるため、スキーマ固有のメソッドが不安定でメンテナンスが難しいため、難しい。
SNEEFは文脈認識型エビデンス抽出のためのシンボリック・ニューラル・フレームワークで,各SQLite行を,標準化された前置詞メタデータと列ラベルでコンテキスト値ペアとして符号化し,言語モデルを用いて9つの法定実体型を認識し,それぞれのエンティティをソーステーブルにバインドし,PA-EEP前置詞プロトコルを介して行する。
公開AndroidおよびiOSデバイスイメージから構築された5つのコーパスから,複数のアプリケーションバージョンにまたがってSNEEFを評価する。
SNEEFは、アプリケーション名を除くSQLite行コンテンツから抽出されたエビデンスエンティティに対して0.967のF1スコアを達成する。
また,なぜ抽出エラーが発生したのかを特徴付けるために,エビデンス・フェイル・モードの分類を導入した。
関連論文リスト
- Scalable PII Discovery in Mobile App Databases via Hypothesis-Driven Search [5.876417269614425]
我々はPII局所化を不確実性の下で有界適応探索として扱う仮説駆動型フレームワークを提案する。
CTFコーパス内の10のAndroidおよびiOSアプリケーションから25のデータベース上でフレームワークを評価する。
論文 参考訳（メタデータ） (2026-08-21T03:35:19Z) - ProSPy: A Profiling-Driven SQL-Python Agentic Framework for Enterprise Text-to-SQL [51.98164069124653]
ProSPyは、エンタープライズスケールのテキスト-非依存分析のためのプロファイリング駆動フレームワークである。
ProSPyは推論プロセスを4段階に構成する。
まず、自動プロファイリングにより、きめ細かいデータ証拠を抽出する。
大規模なスキーマをタスク関連コンテキストに抽出する。
論文 参考訳（メタデータ） (2026-06-04T08:13:05Z) - EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL [53.116276478707626]
EviLinkは、マルチハイプセシススキーマと不確実性誘導されたエビデンス獲得を組み合わせている。
Spider2-Snowでは、EviLinkは90.15%のフィールドレベルの厳格なリコールレートを獲得し、平均トークン123.30Kを使用し、固定ジェネレータによる下流SQL生成を改善している。
論文 参考訳（メタデータ） (2026-05-28T09:32:38Z) - UniRec-0.1B: Unified Text and Formula Recognition with 0.1B Parameters [55.34921520578968]
視覚言語モデル(VLM)は、テキストと公式の統一的な認識を実現している。
パラメータが0.1Bしか持たない統一認識モデルUniRec-0.1Bを提案する。
文字、単語、行、段落、文書など、複数のレベルでテキストや公式の認識を行うことができる。
論文 参考訳（メタデータ） (2025-12-24T10:35:21Z) - Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL [8.159121916366727]
BIRDのような大規模テキスト・ツー・キュレートのベンチマークは通常、利用可能な外部知識だけでなく、完全で正確なデータベースアノテーションを前提としている。
このミスマッチはドメイン・オブ・ザ・ドメイン・テキスト・トゥ・アーティファクトシステムの現実的な適用性を著しく制限する。
本稿では,関係データベースに内在する固有できめ細かな情報を活用するデータベース中心の手法を提案する。
論文 参考訳（メタデータ） (2025-12-17T07:11:55Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - ORION Grounded in Context: Retrieval-Based Method for Hallucination Detection [2.2298542726382276]
幻覚検出の枠組みとして「文脈に囲む」がある。
RAGアーキテクチャにインスパイアされた本手法は,検索モデルとNLIモデルを統合し,実際の一貫性を予測する。
本フレームワークは,RAGTruthの応答レベル分類タスクにおいて,F1スコア0.83の支持クレームを識別する。
論文 参考訳（メタデータ） (2025-04-22T10:28:23Z) - Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。
既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
論文 参考訳（メタデータ） (2025-02-20T09:57:42Z) - RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。
ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。
提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
論文 参考訳（メタデータ） (2024-10-31T16:22:26Z)
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。