Neuro-Bayesian-Symbolic Residual Attention Shallow Network: 面向网络安全风险评估的可解释深度学习

arXiv cs.AI 论文
explainable-ai cybersecurity risk-assessment neural-network hybrid-architecture open-source deep-learning

摘要

介绍 Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN)，一种用于开源生态系统中可解释网络安全风险评估的混合神经架构，使用80个可解释神经元分布在12层，并带有硬约束以保证可解释性。

arXiv:2606.30953v1 Announce Type: new 摘要：我们提出 Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN)，一种用于开源生态系统中可解释网络安全风险评估的混合神经架构。与那些为了准确性而牺牲可解释性的深度模型不同，我们的浅层网络将领域知识、因果推理和专家判断编码为可微组件。它使用80个可解释神经元分布在12层，其中包括一个门控单元，该单元在传播前强制实施五个认识论公理——精确性、因果性、可证伪性、透明性和完整性——作为硬约束。尽管深度有限，该网络通过残差注意力和反馈循环展现出深度学习特征，能够在不成为黑箱的情况下学习复杂风险模式。它产生完全可分解的分数：一个确定性加权分量加上专家调整值，每个调整值都可追溯到命名放大器（爆炸半径、传播速度、结构性质、默认暴露度、利用模式、机构关键性）。我们在涵盖所有 OWASP Top 10:2025 类别和语言风险类别的20个开源项目上进行验证，置信度得分在0.79至0.97之间，并表明可解释性是由设计保证的，而非训练算法。这挑战了深度学习需要深层网络的假设，证明具有深度推理能力的浅层网络在高风险的网络安全领域（其中可解释性至关重要）可以超越不透明模型。
查看原文
查看缓存全文

缓存时间: 2026/07/01 05:36 

# 神经-贝叶斯-符号残差注意力浅层网络：面向网络安全风险的可解释深度学习
来源: https://arxiv.org/abs/2606.30953
查看PDF (https://arxiv.org/pdf/2606.30953)

> 摘要:我们提出神经\-贝叶斯\-符号残差注意力浅层网络（NBS\-RASN），这是一种面向开源生态系统网络安全风险可解释评估的混合神经架构。与那些为了准确性而牺牲可解释性的深度模型不同，我们的浅层网络将领域知识、因果推理和专家判断编码为可微组件。它使用跨12层的80个可解释神经元，包括一个守卫模块，在执行传播之前将五个认识论公理——精确性、因果性、可证伪性、透明性和完备性——作为硬约束加以强制执行。尽管深度有限，该网络通过残差注意力和反馈回路展现出深度学习特性，在不成为黑箱的情况下学习复杂风险模式。它产生完全可分解的分数：一个确定性加权分量加上一个专家调整项，并且每个调整项都可追溯至命名的放大器（爆炸半径、传播速度、结构性、默认暴露、利用模式、机构关键性）。我们在涵盖所有OWASP Top 10:2025类别和语言风险类别的20个开源项目上进行了验证，获得了0.79-0.97的置信度分数，并表明可解释性由设计保证，而非训练算法。这挑战了深度学习需要深层网络的假设，证明具备深度推理的浅层网络能够在可解释性至关重要的高风险网络安全场景中优于不透明模型。

## 提交历史

来自: Nicolaie Popescu-Bodorin [查看邮箱 (https://arxiv.org/show-email/5c7d4535/2606.30953)] **\[v1\]** 2026年6月29日星期一 22:16:22 UTC (391 KB)

相似文章

Neural Bayesian Sequential Routing

arXiv cs.LG

介绍了神经贝叶斯顺序路由（NBSR），这是一个将神经推理建模为有向无环图（DAG）上的顺序证据积累的框架，使用狄利克雷-分类共轭更新，实现了不确定性量化、早期退出和资源理性推理。

通过稀疏电路理解神经网络

OpenAI Blog

OpenAI 研究人员提出了一种训练稀疏神经网络的方法,通过强制大部分权重为零使其更易于解释,从而发现能够解释模型行为的小型解耦电路,同时保持性能。这项工作旨在推进机制可解释性,作为对稠密网络事后分析的补充,并支持 AI 安全目标。