金融取引ネットワークにおける不正検出のためのハイブリッドニューロシンボリックグラフ説明フレームワーク

• ETCゲート取引向けの一貫性認識型弱教師あり異常検知手法「CAWS-ETC」を提案。金額・時間・構造パターン・文脈的意味論的証拠を組み合わせ、高信頼度参照をLightGBMに転移する。
• 2525ゲート・14,510,847件の取引データで評価し、AUPRCはルール整合型介入0.9354、ルール直交型課題0.9018と、Isolation Forestの0.7609/0.7377を上回った。
• 1200件の未修正取引に対する盲検監査で、サンプリング加重AUPRC 0.7946を達成。

• クラス重み付け学習と検証データによる決定閾値の最適化(デフォルト0.5からの変更)を組み合わせたコスト考慮型機械学習フレームワークが提案された
• Credit Card Fraud Detectionデータセットで精度94.4%・再現率85.7%・F1スコア89.8%を達成
• Financial Fraud Predictionデータセットで精度93.1%・再現率83.8%・F1スコア88.2%を達成

• クラウド–エッジ協調型ハードウェアセンシングと証拠制約付きLLM推論によるIT運用フレームワークを提案。エッジ側の動的信頼性スコアで欠落・ノイズ・遅延・ドリフト・フリーズしたチャネルを抑制し、クラウド側で根本原因のランキングと伝播関係・発生時刻を特定する。
• 2024〜2025年に商業銀行の本店および災害復旧データセンターから収集したIT運用データでの実験で、ハードウェア異常検出は精度95.38%、リコール94.71%、F1 94.88%、AUC 97.41%を達成。
• 根本原因特定精度91.84%、Top-3精度97.26%、イベント関係F1 90.73%、時間的位置特定誤差1.82秒を達成。

• 敵対的攻撃に頑健な深層学習ベースのネットワーク侵入検知のための新しいハイブリッドフレームワークが提案された

分散システムにおける障害診断は、複雑なサービス依存関係、連鎖的な異常伝播、類似した症状パターンといった課題に直面している。本論文では、大規模言語モデル(LLM)と数値ドメイン知識グラフ(KG)を統合した知識強化型反復推論フレームワークを提案する。KGは、障害と症状の関係、異常の方向性、およびトレーニングから導出された平均・標準偏差区間をエンコードする。構造化プロンプトにより候補となる障害が生成され、区間検証によって数値的に矛盾する候補が除外される。残った候補に対して、反事実推論により階層的な因果連鎖が構築され、KGトラバーサルによって欠落または矛盾したリンクが修正され、決定論的な証拠スコアが…