LLM推論初出 7/18 02:55
構造化脅威情報生成のためのOpen-Weight LLM評価（自律走行車脆弱性向け）
Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities
https://export.arxiv.org/api/query·2026/7/17
AI要約
Muonオプティマイザが、エージェント的強化学習（RL）の後置学習において、AdamWと比較してどのような価値を持つかを検証します。ALFWorldデータセットとQwen2.5-0.5B-Instructモデルを使用し、Muonを隠れ層の重み行列に適用することで、成功率が大幅に向上することを示しています。
AI要点
- 接続・自動運転車(CAV)の脆弱性情報を構造化脅威情報(STIX)形式で生成するため、オープンソースLLMの評価を実施。
- CAV-STIXGenデータセットを構築し、11種類のオープンソースLLM (4B〜120Bパラメータ)のSTIX生成能力を評価。
- 単一モデルでは、SDOでF1スコア0.94、CWEマッピングで0.99を達成したが、MITRE ATT&CKマッピングは依然として困難。
- マルチエージェント設定では、Gemma-4-31BとCodestral-22BがSDOでF1スコア0.91、SROで0.43を達成。
- AI支援による脆弱性情報からSTIXへの変換が、脅威インテリジェンスの自動化と交通セキュリティの防御優先順位付けに貢献すると示唆。
なぜ重要か
サイバー攻撃の高度化が進む自動運転車分野において、脆弱性情報の構造化・自動生成を可能にすることで、脅威分析と防御戦略の策定を迅速化し、交通システムの安全性を向上させる技術的基盤を提供する。