NBS-RASN은 오픈소스 생태계의 설명 가능한 사이버보안 위험 평가를 위한 하이브리드 신경망으로, 깊은 모델이 정확도를 위해 해석성을 희생하는 것과 달리 도메인 지식·인과 추론·전문가 판단을 미분 가능한 구성요소로 인코딩한다. 12개 층에 걸친 80개 해석 가능 뉴런을 사용하며, 전파 전에 정밀성·인과성·반증가능성·투명성·완전성이라는 다섯 인식론적 공리를 하드 제약으로 강제하는 게이트키퍼를 둔다. 잔차 어텐션과 피드백 루프로 얕은 깊이에도 복잡한 위험 패턴을 학습하되 블랙박스가 되지 않고, 결정론적 가중 성분에 명명된 증폭 인자(폭발 반경·전파 속도 등)로 추적 가능한 전문가 조정을 더한 완전 분해 가능 점수를 산출한다. OWASP Top 10:2025 전 범주를 포괄하는 20개 프로젝트에서 신뢰도 0.79~0.97을 달성했다.
- •도메인 지식·인과 추론·전문가 판단을 미분 가능 구성요소로 인코딩한 설명 가능 얙은 신경망
- •12층 80개 해석 가능 뉴런, 전파 전 다섯 인식론적 공리를 하드 제약으로 강제하는 게이트키퍼
- •결정론적 가중 성분 + 명명된 증폭 인자로 추적 가능한 전문가 조정을 더한 완전 분해 가능 점수 산출
- •OWASP Top 10:2025 전 범주 20개 프로젝트에서 신뢰도 0.79~0.97 달성
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Neuro-Bayesian-Symbolic Residual Attention Shallow Network: Explainable Deep Learning for Cybersecurity Risk Assessment
- 1.설명 가능한 사이버보안 위험 평가를 위한 하이브리드 얕은 신경망 NBS-RASN 제안
- 2.12개 층 80개 해석 가능 뉴런으로 구성, 정확성·인과성·반증가능성·투명성·완전성 5개 공리를 게이트키퍼로 강제
- 3.결정론적 가중 성분과 명명된 증폭기에 추적 가능한 전문가 조정으로 완전 분해 가능한 점수 생성
- 4.OWASP Top 10:2025 전 범주 20개 오픈소스 프로젝트에서 신뢰도 0.79~0.97 달성
왜 중요한가?
딥러닝이 정확도를 위해 해석가능성을 희생한다는 통념에 반해, 얕은 네트워크가 잔차 어텐션·피드백 루프로 깊은 추론을 수행하며 설계상 설명가능성을 보장할 수 있음을 보인다. 해석가능성이 필수인 고위험 사이버보안에서 불투명 모델을 능가한다고 주장한다.
본문 미리보기
arXiv:2606.30953v1 Announce Type: new Abstract: We introduce the Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN), a hybrid neural architecture for explainable cybersecurity risk assessment in open-source ecosystems. Unlike deep models that trade interpretability for accuracy, our shallow network encodes domain knowledge, causal reasoning, and expert judgment as differentiable components. It uses 80 interpretable neurons across 12 layers, including a gatekeeper that enforce
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
