論文の概要: When Does AI Supervision Help? A Role-Aware Study of Network Fraud Decision Management with Blockchain Auditability
- arxiv url: http://arxiv.org/abs/2610.07434v1
- Date: Mon, 05 Oct 2026 21:40:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.683023
- Title: When Does AI Supervision Help? A Role-Aware Study of Network Fraud Decision Management with Blockchain Auditability
- Title（参考訳）: AIスーパービジョンはいつ役に立つのか? ブロックチェーンの可聴性を考慮したネットワークのフラッド決定管理のロールアウェアな研究
- Abstract要約: 本研究は, 不正行為, 介入負担, 条件校正, トラフィック混合, レビューキャパシティの感度を用いて, プライマリ・オンリーと教師による意思決定を比較した。
決定論的ハードゲートは、不正な要求の89.994%を解決し、非ハードな人口を主要なAI決定設定として残している。
AI監督の価値は、役割割り当て、キャリブレーション、エスカレーションポリシー、トラフィック構成、ライフサイクルコントロールに依存する。
- 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: When does a second artificial intelligence (AI) component improve a primary network-fraud decision rather than add operational burden? We study this question through a role-aware Decider-Supervisor (DS) framework with blockchain auditability, evaluating four directional configurations that combine centralised machine learning, a Federated Averaging (FedAvg)-trained federated meta-model, and Base or Quantized Low-Rank Adaptation (QLoRA) large language model variants. The analysis compares primary-only and supervised decisions using non-hard fraud performance, intervention burden, conditional calibration, traffic-mix and Review-capacity sensitivity, dependability tests, and blockchain lifecycle controls. The deterministic hard gate resolves 89.994% of fraudulent requests, leaving the non-hard population as the main AI decision setting. Conditional validation calibration does not produce a consistently transferable supervisory advantage on deployment replay. DS-3 QLoRA is the least disruptive supervised configuration, but it still underperforms its primary FedAvg stage in F1 and total errors. Across 36 reweighted traffic mixtures, supervision reduces total errors only for DS-4 Base in two extreme high-fraud scenarios. Blockchain tests support digest verification, tamper detection, authorisation, single-use review resolution, and post-finalisation integrity, while exposing a pre-finalisation single-write limitation. The results show that the value of AI supervision depends on role assignment, calibration, escalation policy, traffic composition, and lifecycle controls rather than on the presence of a second model alone.
- Abstract（参考訳）: 第2の人工知能(AI)コンポーネントは、運用上の負担を増すよりも、プライマリなネットワーク不正判断を改善することができるのだろうか?
本稿では、ブロックチェーン監査機能を備えたロールアウェアなDecider-Supervisor(DS)フレームワークを用いて、集中型機械学習とフェデレーション平均化(FedAvg)訓練されたフェデレーションメタモデルと、ベースまたは量子化低ランク適応(QLoRA)大規模言語モデルとを組み合わせた4つの方向設定を評価する。
この分析は、非ハード詐欺のパフォーマンス、介入負担、条件付きキャリブレーション、トラフィックミックスとレビュー-キャパシティの感度、信頼性テスト、ブロックチェーンライフサイクルコントロールを使用した、プライマリオンと監督された決定を比較している。
決定論的ハードゲートは、不正な要求の89.994%を解決し、非ハードな人口を主要なAI決定設定として残している。
条件付きバリデーションキャリブレーションは、デプロイメントのリプレイにおいて、一貫した転送可能な監督上の利点を生まない。
DS-3 QLoRAは最小限の破壊的な制御構成であるが、F1のFedAvgステージと総エラーでは依然として性能が劣っている。
36個の再重み付けされた交通混在の中で、監督は2つの極端な高緯度シナリオにおいてDS-4ベースでのみ総誤差を削減する。
ブロックチェーンテストはダイジェストの検証、改ざん検出、認可、シングルユースレビューの解決、ファイナライゼーション後の完全性をサポートし、ファイナライゼーション前のシングルライト制限を公開する。
その結果、AI監督の価値は、第2モデルのみの存在よりも、役割割り当て、キャリブレーション、エスカレーションポリシー、交通構成、ライフサイクル制御に依存していることがわかった。
関連論文リスト
- Benchmarking Cyberattack Detection in Electric Vehicle Charging Infrastructure with Benign User Updates [3.9286216777643737]
電気自動車の充電インフラにおけるサイバー攻撃検出は、要求されたエネルギーと出発時間に対する正常な動作後の修正によって複雑である。
本稿では, 実適応充電ネットワーク(ACN)セッションの入力順序を保存するための, リーク制御されたセッションレベルベンチマークを開発する。
固定プールは、生成された各攻撃をソースセッションの分割に保持し、物理的に動機付けられた6つの攻撃とその調整されたバリエーションを含む。
論文 参考訳（メタデータ） (2026-08-11T14:50:24Z) - SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。
自己検証を計算制御ポリシとして使用することを学ぶ。
マクロ平均精度は0.563で、平均で2.99回しか推測できない。
論文 参考訳（メタデータ） (2026-07-30T16:20:58Z) - Criticality-Based Guard Rail Validation for AI Agent Decisions in Autonomous Telecom Networks [0.0]
Guard Rail Validation(GRV)は、実行前にAI駆動決定をインターセプトし、検証するための標準化可能なランタイムアーキテクチャである。
本稿では、アーキテクチャ、アルゴリズムプロシージャ、O-RANデプロイメントモデルを示し、通信における既知のAI/ML攻撃に対する脅威カバレッジを評価する。
論文 参考訳（メタデータ） (2026-07-02T14:21:26Z) - Minimal Oversight: Uncertainty-Aware Governance for Delegated AI Systems [0.0]
中心的なAI問題は、どれだけの自律性を与えるか、どの証拠が信頼を校正すべきか、委任されたAIシステムが維持できるパフォーマンスの上限、そして人間の介入が必要になったとき、である。
本稿では,原則的自律委任の変動原理であるMSO(Minimum Sufficient Oversight Principle)を提案する。
結果として生じるオイラー・ラグランジュ解は、タスク空間にまたがる支配的デリゲートの水の割り当てをもたらす。
論文 参考訳（メタデータ） (2026-06-04T22:29:45Z) - Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management [15.19525853427301]
本稿では,MIT Beer Game を用いたマルチエキロンサプライチェーンにおける自律生成型AIエージェントについて検討する。
モデル選択、ポリシーとガードレール、集中型データ共有、迅速なエンジニアリングという、パフォーマンスを形成する4つの推論時レバーを特定します。
論文 参考訳（メタデータ） (2026-05-16T15:11:35Z) - 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) - Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。
我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。
VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
論文 参考訳（メタデータ） (2026-04-03T15:19:46Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z)
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。