論文の概要: ValQID: Learning the Net Value of Semantic Query Groups for Web Device Identification

• arxiv url: http://arxiv.org/abs/2611.04576v1
• Date: Tue, 03 Nov 2026 09:36:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:47:32.985952
• Title: ValQID: Learning the Net Value of Semantic Query Groups for Web Device Identification
• Title（参考訳）: ValQID: Web デバイス識別のためのセマンティッククエリグループの価値学習
• Abstract要約: ValQIDはDSEJEVで意味的質問を効率的に評価する。 ValQIDは、各質問グループの期待される識別利益を、実行コストに対して評価する。 DSEJEVは、汎用言語モデルと比較して、セマンティック処理を最大8.58倍高速化する。
• 参考スコア（独自算出の注目度）: 43.084459065567906
• License:
• Abstract: Web interfaces are widely used to access network services and manage networked devices. Identifying the vendors and types of devices behind Web interfaces is a critical step in asset inventory, security management, and risk assessment. Device identity cues are dispersed across page text, configuration fields, and management functions, and interpreting them often requires linking related Web objects. Responses and objects require different amounts of semantic analysis, so exhaustively processing all candidate content can introduce unnecessary computation. We present ValQID, which uses a relation graph to combine dispersed device identity cues, evaluates semantic questions efficiently with DSEJEV, and accounts for complementarity among semantic questions when estimating computation value. Based on the current identification state, ValQID weighs each question group's expected identification benefit against its execution cost and adaptively allocates computation to identify device vendors and types. Evaluation on real Web response data shows that ValQID achieves relative gains of up to 47.1% in joint macro-F1 and up to 82.1% in macro-F1 for low-frequency vendors over a state-of-the-art method. DSEJEV speeds up semantic processing by up to 8.58 times compared with general-purpose language models.
• Abstract（参考訳）: Webインターフェースは、ネットワークサービスにアクセスし、ネットワーク化されたデバイスを管理するために広く使用されている。 Webインターフェースを支えるベンダやデバイスの種類を特定することは、資産在庫、セキュリティ管理、リスクアセスメントにおいて重要なステップです。 デバイスアイデンティティのキューは、ページテキスト、設定フィールド、管理機能に分散しており、それらをしばしば解釈するには、関連するWebオブジェクトをリンクする必要がある。 応答とオブジェクトは異なる意味解析を必要とするため、すべての候補コンテンツを徹底的に処理することは不要な計算を導入することができる。 本稿では,分散デバイス識別キューを結合する関係グラフを用いて,DSEJEVとセマンティック質問を効率よく評価し,計算値を推定する際のセマンティック質問間の相補性について述べる。 現状の識別状態に基づいて、ValQIDは各質問グループの期待する識別利益を実行コストに対して評価し、デバイスベンダーやタイプを特定するために計算を適応的に割り当てる。 実際のWebレスポンスデータによる評価では、ValQIDは共同マクロF1では47.1%、低周波ベンダーでは82.1%の相対的なゲインを実現している。 DSEJEVは、汎用言語モデルと比較して、セマンティック処理を最大8.58倍高速化する。

関連論文リスト

• TrafficInstruct: A Multi-Task Network Traffic Dataset and Benchmark for Instruction Tuning [65.22224367556623]
  TrafficInstructは、生のパケットキャプチャーと10タスクにわたる55,000の構造化された微調整レコードからなる、新たに収集されたデータセットである。 自動ワークフローは、制御されたソフトウェア実行、アタック実験、アプリケーションアクティビティからのトラフィックをキャプチャする。 サンプルソースを検証し、データセットを完全なコレクションセッションで分割し、同じセッションからすべてのサンプルをひとつのパーティションに保持します。 我々は,未適応の27B言語モデルであるマジョリティクラス,ランダムフォレスト,ET-BERTベースライン,および共有冷凍ベース上で個別に訓練されたタスク固有LoRAアダプタの評価を行った。
  論文  参考訳（メタデータ） (2026-11-02T15:44:53Z)
• From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
  本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。 まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。 第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
  論文  参考訳（メタデータ） (2026-05-18T07:17:55Z)
• GISA: A Benchmark for General Information-Seeking Assistant [102.30831921333755]
  GISAは汎用情報検索アシスタントのベンチマークであり、373の人為的なクエリで構成されている。 深い推論と広範囲な情報集約を統合タスクに統合し、暗記に抵抗するために定期的に更新された回答を含むライブサブセットを含む。 主要なLCMと商用検索製品の実験では、最高のパフォーマンスモデルでさえ19.30%の正確なマッチスコアしか達成していないことが示されている。
  論文  参考訳（メタデータ） (2026-02-09T11:44:15Z)
• CogDDN: A Cognitive Demand-Driven Navigation with Decision Optimization and Dual-Process Thinking [22.817457688303513]
  人間の認知と学習のメカニズムをエミュレートするVLMベースのフレームワークであるCogDDNを提案する。 CogDDNは、検出されたオブジェクトを所定の命令で意味的にアライメントすることで、適切なターゲットオブジェクトを特定する。 高速かつ効率的な意思決定のためのヒューリスティックプロセスと過去のエラーを分析する分析プロセスで構成される、デュアルプロセスの意思決定モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2025-07-15T14:06:24Z)
• Quantum Autoencoder for Multivariate Time Series Anomaly Detection [0.0]
  異常検出は、システム設定、マルウェア、サイバー攻撃などのインシデントを認識するためのITセキュリティにおいて重要な機能である。 量子機械学習の出現により、このような複雑なデータを扱うための多くの道が開かれた。 我々は,企業規模に向けて,時系列AD用に特別に設計された新しいQAEベースのフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-04-24T13:40:06Z)
• Identity documents recognition and detection using semantic segmentation with convolutional neural network [0.0]
  本研究の目的は,提案手法の有効性を実証し,品質指標を得ることである。 本研究の方法論は,モバイルID文書ビデオデータセットに基づいて訓練されたディープラーニング検出モデルを評価することである。 本報告では、結合(IoU)の交点値が0.8の0.75以上の精度を報告している。
  論文  参考訳（メタデータ） (2025-03-03T01:13:28Z)
• GEqO: ML-Accelerated Semantic Equivalence Detection [3.5521901508676774]
  クラスタリソースの効率的な利用とジョブ実行時間の削減には,共通計算が不可欠だ。 大規模分析エンジンの等価性を検出するには、完全に自動化された効率的でスケーラブルなソリューションが必要である。 本稿では,大規模で意味論的に等価な計算を効率的に識別する,ポータブルで軽量な機械学習ベースのフレームワークであるGEqOを提案する。
  論文  参考訳（メタデータ） (2024-01-02T16:37:42Z)
• Scalable Video Object Segmentation with Identification Mechanism [125.4229430216776]
  本稿では,半教師付きビデオオブジェクト(VOS)のスケーラブルで効果的なマルチオブジェクトモデリングを実現する上での課題について検討する。 AOT(Associating Objects with Transformers)とAOST(Associating Objects with Scalable Transformers)の2つの革新的なアプローチを提案する。 当社のアプローチは最先端の競合に勝って,6つのベンチマークすべてにおいて,例外的な効率性とスケーラビリティを一貫して示しています。
  論文  参考訳（メタデータ） (2022-03-22T03:33:27Z)

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。