論文の概要: Blockchain-Linked Auditable Decision Management for Telecom/IoT Fraud-Control Requests

• arxiv url: http://arxiv.org/abs/2607.09259v1
• Date: Fri, 10 Jul 2026 10:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.430259
• Title: Blockchain-Linked Auditable Decision Management for Telecom/IoT Fraud-Control Requests
• Title（参考訳）: Telecom/IoTフラッド・コントロル要求に対するブロックチェーンリンク型聴覚決定管理
• Abstract要約: 本稿では,ブロックチェーンによる不正制御を,合成通信/IoT不正制御要求に対する監査可能な意思決定管理として再検討する。 フレームワークは、各合成デプロイメントレコードをマネージドリクエストにマッピングし、明示的なアウトオブバウンダリケースをブロックし、非ハードリクエストをスコアし、共有された5状態ポリシーを通じてアクションを解決します。
• 参考スコア（独自算出の注目度）: 20.179752707109106
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Telecom fraud-control studies often stop at detector-level classification, but deployment use requires request-level policy resolution, lifecycle traceability, and auditability. This paper reframes fraud control as blockchain-linked auditable decision management for synthetic telecom/IoT fraud-control requests, and its main result is that the QLoRA-tuned LLM branch becomes much more usable than zero-shot prompting but mainly approaches, rather than outperforms, a lower-cost centralized ensemble. The framework maps each synthetic deployment record to a managed request, blocks explicit out-of-boundary cases through a deterministic hard-fraud gate, scores non-hard requests using centralized ML (M1), federated meta-learning (M2), or LLM-family risk sources (M3), and resolves actions through a shared five-state policy, two-zone refinement mechanism, and local Ethereum-compatible audit layer. Evaluation uses separate synthetic training data and a 100,000-record deployment replay corpus, so the study should be read as controlled drift-replay evidence rather than field validation or proof of live deployability. On validation, M1 gives the strongest balance, with legitimate-request FPR 0.0890 under the 0.10 operating cap and soft-fraud recall 0.8341. On labeled deployment replay, however, the legitimate-FPR gap becomes large: M1 rises to 0.1646 and M3-QLoRA to 0.1801, while M3-QLoRA reduces the M3-Base legitimate FPR from 0.3915 and reaches 0.8240 soft-fraud recall. Blockchain telemetry shows that lifecycle gas, cost, latency, and throughput differences are driven by submitted off-chain decision profiles rather than changes in fraud logic.
• Abstract（参考訳）: 通信不正制御の研究は、しばしば検出器レベルの分類で停止するが、デプロイメントの使用には要求レベルのポリシー解決、ライフサイクルトレーサビリティ、監査性が必要である。 本論文は、ブロックチェーンによる不正制御を、合成通信/IoT不正制御要求に対する監査可能な意思決定管理として再設計し、QLoRAで調整したLLMブランチは、ゼロショットプロンプトよりもはるかに使いやすくなっているが、低スケールの集中アンサンブルであるパフォーマンスよりも、主にアプローチしている。 フレームワークは、各合成デプロイメントレコードを管理された要求にマッピングし、決定論的ハードフルートゲートを介して明示的なアウトオブバウンダリケースをブロックし、集中型ML(M1)、フェデレートメタラーニング(M2)、LLMファミリーリスクソース(M3)を使用して非ハードリクエストをスコアし、共有された5状態ポリシー、2ゾーンリファインメント機構、ローカルEthereum互換監査層を介してアクションを解決する。 評価には個別の総合訓練データと10,000レコードの展開リプレイコーパスを使用するため,フィールド検証や実運用可能性の証明よりも,制御されたドリフト・リプレイエビデンスとして解釈する必要がある。 検証ではM1が最強のバランスを与え、FPR 0.0890は0.10オペレーティングキャップ、ソフトフロイトリコール 0.8341 である。 M1は0.1646に、M3-QLoRAは0.1801に上昇し、M3-QLoRAはM3-Baseの正規FPRを0.3915に減らし、0.8240ソフトフレードリコールに達する。 ブロックチェーンテレメトリは、ライフサイクルガス、コスト、レイテンシ、スループットの違いは、不正ロジックの変更ではなく、送信されたオフチェーン決定プロファイルによって引き起こされることを示している。

関連論文リスト

• LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
  大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。 我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T12:13:05Z)
• CUSTOS: Toward Forensic-Ready Zero Trust at the Capture-Containment Boundary [1.1458853556386797]
  CUSTOSは、法医学的管理ポイント(FMP)を中心にした、法医学的なZT参照アーキテクチャである。 常時オンの判定記録は、ゲートウェイ上で1.9～3.0%のスループットコストで取得され、ハッシュチェーンされる。 以上の結果から, 鑑識対応型ZTは, 常にオンの床と有界な反応性キャプチャの両方を必要とすることが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-17T19:17:15Z)
• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
  マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。 バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。 パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:34:21Z)
• Who Audits the Auditor? Tamper-Proof Fraud Detection with Blockchain-Anchored Explainable ML [3.556355987197792]
  本稿では,ML予測とワークフロー実行の両方を,不変なブロックチェーン台帳にアンロックする不正検出システムを提案する。 ブロックチェーンを受動的ストレージとして使用するのではなく、スマートコントラクトを通じて承認プロセス全体を強制し、すべてのトランザクション、予測、説明がアトミックに記録され、遡及的に修正できないことを保証します。
  論文  参考訳（メタデータ） (2026-04-23T22:00:45Z)
• LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
  評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。 このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。 チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:03:32Z)
• Benchmarking Zero-Shot Reasoning Approaches for Error Detection in Solidity Smart Contracts [0.0]
  本稿では,400契約のバランスデータセットを用いて,Solidityスマートコントラクト分析の最先端LCMについて検討する。 モデルは、ゼロショット、ゼロショット・オブ・ソート(CoT)、ゼロショット・オブ・ソート(ToT)を含むゼロショット・プロンプト戦略を用いて評価される。
  論文  参考訳（メタデータ） (2026-02-17T18:08:56Z)
• 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)
• On-Chain Decentralized Learning and Cost-Effective Inference for DeFi Attack Mitigation [4.37137147573556]
  DeFiプラットフォームでは、ビジネスロジックや会計上の脆弱性を利用したトランザクションによって、毎年数十億ドルが失われている。 i) コスト削減のためにLayer-2上でガス禁止計算を行い、(ii) 検証済みのモデル更新をLayer-1に伝達し、(iii) スマートコントラクト内でガス境界付き低遅延推論を可能にする。
  論文  参考訳（メタデータ） (2025-10-15T18:58:34Z)
• Enhancing Smart Contract Vulnerability Detection in DApps Leveraging Fine-Tuned LLM [0.7018579932647147]
  分散アプリケーション(DApps)は、スマートコントラクトの脆弱性のため、重大なセキュリティリスクに直面します。 本稿では,Large Language Models (LLM) を利用したスマートコントラクト脆弱性検出手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T12:32:14Z)

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。