TIRE: Advancing Threat Intelligence Relation Extraction with a Novel Data-Centric Framework
Notice bibliographique
Résumé
Relation extraction (RE) plays a critical role in uncovering hidden connections and assisting security analysts in identifying complex patterns within cyber threat intelligence (CTI) data. Despite its importance, RE faces significant challenges, such as overlapping relations, complex sentence structures with long-range dependencies, and ambiguous relation types. Existing solutions primarily rely on modelcentric approaches based on entity-marked and entity-tagging representations. However, these methods require modifying the original text and model architecture, increasing complexity. Furthermore, they fail to provide adequate contextual and semantic information, leading to suboptimal performance, particularly in joint extraction settings. This research introduces TIRE, a data-centric framework that addresses these challenges through an innovative multi-sequence representation (MSR) for the RE. By incorporating key features such as Entity Mask and Entity Type, TIRE enhances contextual and semantic understanding, enabling precise classification of relationships between entities. Unlike complex model-centric approaches, TIRE achieves state-of-the-art performance with simplified architectures. Extensive evaluations on the curated DNRTI-AUG-STIX2-JE dataset demonstrate TIRE's superior performance in both pipeline and joint extraction settings, consistently achieving an F1 score of 99% in RE tasks while maintaining computational efficiency. TIRE's innovative design bridges the gap between NER and RE tasks for constructing high-quality cybersecurity knowledge graphs (CKGs) and shows adaptability to domains like finance, healthcare, and biomedical fields where structured information extraction is critical. This work underscores the potential of data-centric designs to advance relation extraction and support real-world applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».