論文の概要: ExAI5G: A Logic-Based Explainable AI Framework for Intrusion Detection in 5G Networks

• arxiv url: http://arxiv.org/abs/2604.18052v1
• Date: Mon, 20 Apr 2026 10:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.806995
• Title: ExAI5G: A Logic-Based Explainable AI Framework for Intrusion Detection in 5G Networks
• Title（参考訳）: ExAI5G: 5Gネットワークにおける侵入検知のための論理ベースの説明可能なAIフレームワーク
• Authors: Saeid Sheikhi, Panos Kostakos, Lauri Loven,
• Abstract要約: 5Gネットワークの侵入検知システム(IDS)は複雑な高ボリュームトラフィックを処理しなければならない。 我々は、TransformerベースのディープラーニングIDSと論理ベースの説明可能なAI(XAI)技術を統合することで、解釈可能性の優先順位付けを行うフレームワークであるExAI5Gを提案する。 5G IoT侵入データセットでは, 99.9%の精度, 0.854のマクロF1スコアを実現し, 高い性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrusion detection systems (IDSs) for 5G networks must handle complex, high-volume traffic. Although opaque "black-box" models can achieve high accuracy, their lack of transparency hinders trust and effective operational response. We propose ExAI5G, a framework that prioritizes interpretability by integrating a Transformer-based deep learning IDS with logic-based explainable AI (XAI) techniques. The framework uses Integrated Gradients to attribute feature importance and extracts a surrogate decision tree to derive logical rules. We introduce a novel evaluation methodology for LLM-generated explanations, using a powerful evaluator LLM to assess actionability and measuring their semantic similarity and faithfulness. On a 5G IoT intrusion dataset, our system achieves 99.9\% accuracy and a 0.854 macro F1-score, demonstrating strong performance. More importantly, we extract 16 logical rules with 99.7\% fidelity, making the model's reasoning transparent. The evaluation demonstrates that modern LLMs can generate explanations that are both faithful and actionable, indicating that it is possible to build a trustworthy and effective IDS without compromising performance for the sake of marginal gains from an opaque model.
• Abstract（参考訳）: 5Gネットワークの侵入検知システム(IDS)は複雑な高ボリュームトラフィックを処理しなければならない。 不透明な"ブラックボックス"モデルは高い精度を達成することができるが、透明性の欠如は信頼と効果的な運用応答を妨げる。 我々は、TransformerベースのディープラーニングIDSと論理ベースの説明可能なAI(XAI)技術を統合することで、解釈可能性の優先順位付けを行うフレームワークであるExAI5Gを提案する。 このフレームワークは、Integrated Gradientsを使用して特徴の重要性を判断し、論理ルールを導出するために代理決定ツリーを抽出する。 提案手法は,LLM の動作性評価と意味的類似性および忠実度の測定に強力な評価器 LLM を用いた,LLM 生成の説明のための新しい評価手法を提案する。 5G IoT侵入データセットでは, 99.9\%の精度と0.854のマクロF1スコアを実現し, 高い性能を示した。 さらに、99.7\%の忠実度を持つ16の論理規則を抽出し、モデルの推論を透明にする。 評価の結果,現代LSMは信頼と行動の両立を図り,不透明モデルによる限界利得のために性能を損なうことなく,信頼性と効果的なIDSを構築することが可能であることが示唆された。

関連論文リスト

• Rethinking VLMs for Image Forgery Detection and Localization [55.32700985102152]
  本稿では,視覚言語モデル(VLM)をフル活用して画像偽造検出・局所化(IFDL)タスクを支援する方法について検討する。 これらの知見に基づいて,IFDL-VLMと呼ばれる新しいIFDLパイプラインを提案する。 実験結果から, 検出, 局所化, 解釈可能性において, 常に新しい最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-13T12:21:31Z)
• Human-Centered Explainable AI for Security Enhancement: A Deep Intrusion Detection Framework [0.0]
  本稿では,深層学習モデルの透明性を高めるために,説明可能な人工知能(XAI)を統合した新しいIDSフレームワークを提案する。 このフレームワークはベンチマークデータセットNSL-KDDを用いて実験的に評価され、従来のIDSやブラックボックス深層学習モデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2026-02-04T20:33:27Z)
• Sponge Tool Attack: Stealthy Denial-of-Efficiency against Tool-Augmented Agentic Reasoning [58.432996881401415]
  最近の作業では、エージェント推論を可能にするために、外部ツールで大きな言語モデル(LLM)を拡張している。 本稿では,入力プロンプトを書き換えることのみでエージェント推論を妨害するスポンジツールアタック(STA)を提案する。 STAは、意味的忠実度の高い原文からの良心的な即興的な書き直しを生成する。
  論文  参考訳（メタデータ） (2026-01-24T19:36:51Z)
• Training LLMs with LogicReward for Faithful and Rigorous Reasoning [75.30425553246177]
  定理証明器を用いてステップレベルの論理的正しさを強制することでモデルトレーニングを指導する報酬システムであるLogicRewardを提案する。 LogicRewardで構築されたデータに基づいてトレーニングされた8Bモデルは、GPT-4oとo4-miniを11.6%、自然言語推論と論理的推論タスクで2%超えた。
  論文  参考訳（メタデータ） (2025-12-20T03:43:02Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
  大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。 Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。 本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:53:48Z)
• Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case [0.5156484100374059]
  6Gネットワークスライシングには、効率的なリソース割り当てと説明可能な意思決定のための高性能なAIモデルが必要である。 本稿では,新しい説明誘導型インホック・フェデレーション・ラーニング(FL)手法を提案する。 我々は、いわゆる帰属に基づく信頼度測定によって、説明の忠実さを定量的に検証する。
  論文  参考訳（メタデータ） (2023-07-24T15:51:06Z)
• Explanation-Guided Fair Federated Learning for Transparent 6G RAN Slicing [0.5156484100374059]
  我々は,信頼に値する予測を保証するために,説明誘導型連合学習(EGFL)方式を設計する。 具体的には,提案した概念を実証するために,スライス当たりのRAN降車確率を推定する。 また、未制限のEGFLに対して比較的25%以上のリコールスコアも改善した。
  論文  参考訳（メタデータ） (2023-07-18T15:50:47Z)
• Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features [15.522099372465695]
  グラフネットワーク(GNN)ベースのセキュリティソリューションは、セキュリティクリティカルなタスクのためにシステムグラフをダイジェストする。 本稿では、PROVEXPLAINERが現在の最先端(SOTA)GNN説明器と相乗してドメインとインスタンス固有の説明を提供する方法を示す。
  論文  参考訳（メタデータ） (2023-06-01T17:36:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。