신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크: 사이버 보안 위험 평가에 대한 설명 가능한 깊은 학습
신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크(NBS-RASN)는 오픈 소스 생태계에서 설명 가능한 사이버 보안 위험 평가를 위한 하이브리드 신경망 아키텍처입니다. 깊은 모델들이 정확성에 대한 희생으로 해석성을 포기하는 것과는 달리, 우리의 얕은 네트워크는 80개의 해석 가능한 뉴런과 12개의 층으로 구성되어 있습니다. 또한, gatekeeper가 5개의 epistemological axioms(정확성, 유발성, 거부 가능성, 투명성, 완전성)를 강제로 적용하기 전에 전파를 진행합니다.
신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크(NBS-RASN)
신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크(NBS-RASN)는 오픈 소스 생태계에서 설명 가능한 사이버 보안 위험 평가를 위한 하이브리드 신경망 아키텍처입니다. 이 네트워크는 깊은 모델들이 정확성에 대한 희생으로 해석성을 포기하는 것과는 달리, 얕은 네트워크로 구성되어 있습니다. 또한, gatekeeper가 5개의 epistemological axioms(정확성, 유발성, 거부 가능성, 투명성, 완전성)를 강제로 적용하기 전에 전파를 진행합니다.
NBS-RASN은 80개의 해석 가능한 뉴런과 12개의 층으로 구성되어 있으며, residual attention과 feedback loops를 통해 복잡한 위험 패턴을 학습합니다. 또한, 네트워크는 fully decomposable scores를 생산하며, deterministic weighted component와 expert adjustment로 구성되어 있습니다. 각 adjustment는 traceable 하며, named amplifiers(blast radius, propagation speed, structural nature, default exposure, exploitation pattern, institutional criticality)로 구성되어 있습니다.
우리는 20개의 오픈 소스 프로젝트를 대상으로 하여, OWASP Top 10:2025 카테고리와 언어 위험 클래스를 모두 포함하는 실험을 수행했습니다. 실험 결과, confidence scores가 0.79-0.97 범위에 위치하였으며, 설명 가능성을 보장하는 것은 네트워크의 디자인 자체에 기반을 두고 있었습니다. 이는 깊은 학습이 깊은 네트워크를 필요로 함이라는 가정에 도전을 하고 있으며, 얕은 네트워크에 깊은 추론을 결합한 경우, 투명성에 대한 요구가 높은 사이버 보안 분야에서, 불투명한 모델보다 우수한 성능을 보일 수 있다는 것을 보여주고 있습니다.
결과
우리는 20개의 오픈 소스 프로젝트를 대상으로 하여, OWASP Top 10:2025 카테고리와 언어 위험 클래스를 모두 포함하는 실험을 수행했습니다. 실험 결과, confidence scores가 0.79-0.97 범위에 위치하였으며, 설명 가능성을 보장하는 것은 네트워크의 디자인 자체에 기반을 두고 있었습니다.
Contributions
우리의 연구는 다음과 같은 contributions을 제공합니다.
- 신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크(NBS-RASN)의 제안
- 오픈 소스 생태계에서 설명 가능한 사이버 보안 위험 평가를 위한 하이브리드 신경망 아키텍처
- residual attention과 feedback loops를 통해 복잡한 위험 패턴을 학습하는 얕은 네트워크
- fully decomposable scores를 생산하는 네트워크
- named amplifiers(blast radius, propagation speed, structural nature, default exposure, exploitation pattern, institutional criticality)로 구성된 adjustment
함께 읽으면 좋은 기사
스트로크 위험도 예측을 위한 새로운 AI 기술: MedGate-Fusion
스트로크 위험도를 예측하는 것은 원치 않는 병력이 발생하기 전에 중요한 역할을 합니다. 그러나 이 과제는 의사들이 주기적으로 기록하는 생리학적 바이오마커와 비구조적인 의료 기록의 사이에 분산되어 있는 초기 위험 신호를 식별하는 어려움으로 인해 힘들어집니다. MedGate-Fusion은 이러한 문제를 해결하기 위해 처음 만나는 의료 기록의 의미론적 이야기와 10개의 정기적으로 기록된 위험 표시자를 통합하는 멀티 모달 게이트 아키텍처를 제안합니다. 이 아키텍처는 대규모 언어 모델(LLM)과 같은 기존의 AI 기술을 사용하여 의료 기록의 의미를 추출하고 생리학적 바이오마커의 정보를 통합하여 스트로크 위험도를 예측합니다.
AI가 관리하는 수학적 정의의 저고리: Lean Pool
Lean Pool은 AI agent들이 관리, 최적화하는 수학적 정의의 저고리입니다. 이 저고리는 수학적 이론과 공식의 정형화된 아카이브입니다. AI가 관리하는 저고리는 수학적 정의의 정확성과 완전성을 보장합니다.
기존의 전제 조건자들이 생의학 표준 표 데이터 학습을 개선하는가? 표준 표 데이터 학습 최적화에 대한 실증 연구
최근 구조화된 생물학적 데이터 분석에 있어서 표준화된 기초 모델(tabular foundation model)이 강력한 잠재력을 보인다. 그 중 하나인 TabPFN은 낮은 데이터 표준화 분류 작업에서 효과적인 접근 방식으로 나타났지만, 최적화 및 조건화 전략의 생물학적 세부 튜닝에 대한 영향은 여전히 크게 연구되지 않았다. 본 연구에서, 우리는 59 개의 생물학적 데이터셋(Alzheimer'
OpenAI, 수학적 문제 100개 이상 해결한 AI에 전문가 조언단 설립
OpenAI는 대규모 언어 모델(LLM)로 수학적 문제를 해결한 이후, 수학적 문제 해결을 위한 전문가 조언단을 설립했습니다. 이 조언단은 OpenAI의 수학적 연구 진행을 늦추거나 방향을 바꾸지 못할 것입니다.
AI가 회계사들을 과감히 폐지할 수 있는 'Tabby'가 등장했습니다!
Tabby는 실시간 회계 인터페이스를 제공하며, 고객의 서류를 처리하는 동시에 업계의 손익을 실시간으로 제공합니다. AI가 회계업무를 자동화하여 회계사들의 역할을 과감히 줄이는 중입니다.
SAS 비전 트랜스폼러에 기반한 강화된 대비 학습
아티클 번호: 2609.21061v1 발표 유형: 새로운 개요: 합성 어레이 소나(SAS)를 사용하는 자동 목표 식별(AUTR)은 고급 해군 기능을 지원하지만, 깊은 학습은 희소한 목표 이미지를, 배경 잡음 및 인간의 평가를 제한한다. 우리는 바다 속 SAS AUTR을 위한 DINOv3 비전 트랜스포머(ViT) 모델을 3단계의 매개 변수 효율적인 프레임워크로 적응시킨다. 단계 1은 ViT 백
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.