Adaptive Authorization through Transformer-Based Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Access control governs how entities interact with protected resources and remains a central pillar of modern cybersecurity. Classical authorization frameworks such as DAC, MAC, RBAC, and ABAC provide structured and interpretable policy foundations but depend heavily on manual policy and attribute engineering, making them increasingly difficult to maintain in large, dynamic environments. As organizational roles, contextual attributes, and system conditions evolve, policy drift, privilege accumulation, and configuration inconsistencies emerge, weakening security posture. Recent advances in machine learning (ML) offer the ability to automate authorization by learning predictive relationships from user, resource, and contextual metadata. However, progress is constrained by the scarcity of real-world datasets, inconsistent evaluation methodologies, and challenges associated with heterogeneous or incomplete attribute sets.Motivated by these limitations, this work focuses on a synthetic data generation and evaluation framework for access-control models. Leveraging domain-informed synthetic datasets that emulate realistic healthcare authorization conditions including role hierarchies, permission distributions, and anomaly patterns, we systematically evaluate transformer models against traditional machine-learning approaches. Results show that while tree-based ensembles perform strongly in low-noise, low-data environments, transformer-based and other neural architectures scale more robustly as data scale and complexity grows. These findings reinforce emerging evidence that modern attention-based models offer promising advantages for adaptive, data-driven authorization in real-world environments.
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.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 découle