スマートホームにおけるユーザーレベルのセキュリティ問題への対処：小型LLMの活用
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19485v1発表形式：クロス
概要：スマートホームIoTデバイスの急速な普及に伴い、近年の研究からも明らかなように、ユーザーは様々なセキュリティリスクに晒される機会が増えています。これらのセキュリティ上の懸念に関する情報を求めるユーザーは、オンラインブログや技術マニュアルなど様々な情報源を参考にせざるを得ない状況にあり、必要な情報を抽出することが一般ユーザーにとって困難となっています。この状況はスマートホームユーザーの一般的な意識と合致せず、スマートホームのセキュリティをさらに脅かしています。本論文では、スマートホームにおける主要なユーザーレベルのセキュリティ上の懸念事項を特定し、対処することを目的とします。具体的には、公開フォーラムからのQ&Aの新たなデータセットを開発し、スマートホームユーザーが直面する実際的なセキュリティ上の課題を捉えました。Latent Dirichlet Allocation (LDA)を活用して、このデータセットからスマートホームにおける主要なセキュリティ上の懸念事項を抽出します。T5やFlan-T5などの比較的「小型」のトランスフォーマーモデルをこのデータセットでファインチューニングし、スマートホームセキュリティに特化したQAシステムを構築します。GPTやGeminiなどの大規模モデルは強力ですが、多くのリソースを消費し、データ共有が必要となることが多いのに対し、小型モデルはリソースに制約のある環境やプライバシーに配慮が必要なスマートホーム環境への展開に適しています。本データセットは手動でキュレーションされ、モデル性能への潜在的な影響を探るために合成データで補完されています。このアプローチにより、システムは正確かつ関連性の高い回答を提供する能力が大幅に向上し、ユーザーがスマートホームIoTデバイスに関する一般的なセキュリティ上の懸念に対処するのに役立ちます。実世界のユーザーの懸念に関する実験により、本研究がベースモデルの性能を向上させることを示しました。
原文（英語）を表示
Title (EN): Identifying and Addressing User-level Security Concerns in Smart Homes Using “Smaller” LLMs
arXiv:2509.19485v1 Announce Type: cross
Abstract: With the rapid growth of smart home IoT devices, users are increasingly exposed to various security risks, as evident from recent studies. While seeking answers to know more on those security concerns, users are mostly left with their own discretion while going through various sources, such as online blogs and technical manuals, which may render higher complexity to regular users trying to extract the necessary information. This requirement does not go along with the common mindsets of smart home users and hence threatens the security of smart homes furthermore. In this paper, we aim to identify and address the major user-level security concerns in smart homes. Specifically, we develop a novel dataset of Q&A from public forums, capturing practical security challenges faced by smart home users. We extract major security concerns in smart homes from our dataset by leveraging the Latent Dirichlet Allocation (LDA). We fine-tune relatively “smaller” transformer models, such as T5 and Flan-T5, on this dataset to build a QA system tailored for smart home security. Unlike larger models like GPT and Gemini, which are powerful but often resource hungry and require data sharing, smaller models are more feasible for deployment in resource-constrained or privacy-sensitive environments like smart homes. The dataset is manually curated and supplemented with synthetic data to explore its potential impact on model performance. This approach significantly improves the system’s ability to deliver accurate and relevant answers, helping users address common security concerns with smart home IoT devices. Our experiments on real-world user concerns show that our work improves the performance of the base models.
Published: 2025-09-24 19:00 UTC