論文の概要: Business Compromise Detection with Agentic AI and LLM-driven Knowledge Discovery

• arxiv url: http://arxiv.org/abs/2609.32643v1
• Date: Sat, 26 Sep 2026 14:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:42:29.904149
• Title: Business Compromise Detection with Agentic AI and LLM-driven Knowledge Discovery
• Title（参考訳）: エージェントAIによるビジネス競合検出とLLM駆動型知識発見
• Abstract要約: LLM(Large Language Model)エージェントは、整合性の強制を約束するが、ハードケースに対する幻覚的なミスはビジネス上の摩擦を引き起こす。 自律エージェントは、強いリコール重信号抽出器であるが、信頼性の低い最終アービターであり、不明瞭な決定の精度を許容している。 そこで我々は,このエージェントを,構造化され解釈可能な信号ベクトルを出力し,決定をニューロシンボリックな段階に委譲する研究者として,FOIL-IEによって発見された記号規則,ネイブベイズ校正層,データ調整された矛盾層として保持する。
• 参考スコア（独自算出の注目度）: 16.04666098629773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting compromised business ad accounts is a challenge in digital advertising, as attackers exploit hijacked accounts to launch fraudulent campaigns. Large Language Model (LLM) agents show promise for integrity enforcement, but hallucinated mistakes on hard cases create business friction. In a study we find the autonomous agent is a strong, recall-heavy signal extractor but an unreliable final arbiter, conceding precision on ambiguous decisions. We therefore keep the agent as an investigator that emits a structured, interpretable signal vector, and delegate the verdict to a neuro-symbolic stage: symbolic rules discovered by Inductive Logic Programming (FOIL-IE), a Naïve Bayes calibration layer, and a data-tuned contradiction layer. Evaluating on a compromise-over-sampled population and a realistic low-prevalence sample with subject-matter-expert labels, this arbiter substitution raises MCC from 0.295 to 0.435 (ΔMCC +0.139, 95% CI [+0.026, +0.245], p=0.018, paired bootstrap), lifting precision from 0.250 to 0.446 (1.8x) at a recall cost (0.920 to 0.660). Benchmarked under identical conditions, it also edge tree ensembles (0.386).The rules encode domain w labels while remaininginterpretable and auditable.
• Abstract（参考訳）: 漏洩したビジネス広告アカウントを検知することはデジタル広告の課題であり、攻撃者はハイジャックされたアカウントを利用して不正なキャンペーンを開始する。 LLM(Large Language Model)エージェントは、整合性の強制を約束するが、ハードケースに対する幻覚的なミスはビジネス上の摩擦を引き起こす。 研究によると、自律エージェントは強いリコール重信号抽出器であるが、信頼性の低い最終アービターであり、不明瞭な決定の精度を保っている。 したがって、我々はエージェントを、構造化された解釈可能な信号ベクトルを出力し、決定をニューロシンボリックな段階に委譲する研究者として、インダクティブ論理プログラミング(FOIL-IE)、ネイブベイズ校正層、データ調整された矛盾層によって発見された象徴的規則を保持できる。 このアービターの代替品は、妥協されたサンプルと実際の低い精度のサンプルから評価し、MCCを0.295から0.435(ΔMCC +0.139, 95% CI [+0.026, +0.245], p=0.018, paired bootstrap)、リコールコストで0.250から0.446(1.8x)まで引き上げる(0.920から0.660)。 同一条件でベンチマークされ、エッジツリーアンサンブル(0.386)もある。 ルールは、解釈可能で監査可能なまま、ドメインwラベルをエンコードする。

関連論文リスト

• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• PRIMUS: Identity, Governance, and Verification for Multi-Agent Federations [0.0]
  マルチエージェント・フェデレーションは、敵対的な条件下での3つの質問に答えるガバナンスを必要とする。 本稿では,BLSアグリゲートシグネチャと主パワーIDを結合したPRIMUSについて述べる。 PRIMAのバイナリアーティファクト-忠実性判定は、グレード付きフィットネス信号に変換できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-07T19:21:49Z)
• Trustworthy RAG: An Evaluation Agent for Detecting Misinformation and Knowledge Poisoning in Generative AI Systems [1.7327102304628392]
  Retrieval-Augmented Generation (RAG) は、Large Language Model (LLM) を外部知識で出力する。 本稿では,自然言語推論(NLI)の事実検証,関連性重み付けによる5信号毒素検出,信頼指数T = 0.4 F + 0.35 C + 0.25 (1 - P) を組み合わせた評価エージェントを提案する。 Llama 3.3 70BのTrathfulQAでは、エージェントは91%の精度と100%の精度に達し、インストラクションインジェクションで100%リコールされる。
  論文  参考訳（メタデータ） (2026-08-21T13:42:41Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Toward Auditable Fraud Detection: Combining Graph Features, Model Explanations, and Agentic Case Investigation [0.0]
  不正検出システムは、説明可能でレビュー可能なまま、トランザクションボリュームの上昇とともにスケールする必要がある。 本研究では,勾配ブースト型分類器,グラフに基づく構造特徴,オートエンコーダに基づく異常信号,および調査エージェントを組み合わせた層状パイプラインについて検討する。 我々は,各コンポーネントは特定の条件下でのみ寄与し,調査エージェントからのもっともらしい根拠は,よりよい判断の証拠ではないと結論づける。
  論文  参考訳（メタデータ） (2026-07-21T16:37:41Z)
• Agentic SABRE: An Uncertainty-Aware Neuro-Symbolic Multi-Agent Framework for Adaptive Ransomware Detection [0.8564319625930894]
  ランサムウェアは複雑で適応的で素早く動く敵カテゴリーへと進化してきた。 本稿では,適応型ランサムウェア検出のための不確実性認識,ニューロシンボリック,マルチエージェントフレームワークであるAgenic SABREを提案する。
  論文  参考訳（メタデータ） (2026-07-05T13:08:41Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Sanity Checks for Agentic Data Science [43.38296659030703]
  エージェントデータサイエンス(ADS)パイプラインは、能力と採用の両方で急速に成長している。 これらのシステムは、ユーザーが検出するのが困難である誤った楽観的な結論に達する可能性がある。 予測可能性-計算可能性-安定性フレームワークを基盤とした,2つの軽量な正当性チェックを提案する。
  論文  参考訳（メタデータ） (2026-04-13T05:11:28Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。