論文の概要: Hybrid DeepXAI Fusion Network for Interpretable Big Data Analytics and Secure Cloud Decision-Making Systems

• arxiv url: http://arxiv.org/abs/2610.20661v1
• Date: Wed, 14 Oct 2026 06:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.972527
• Title: Hybrid DeepXAI Fusion Network for Interpretable Big Data Analytics and Secure Cloud Decision-Making Systems
• Title（参考訳）: DeepXAI Fusion Network for Interpretable Big Data Analytics and Secure Cloud Decision-Making Systems (特集:情報ネットワーク)
• Abstract要約: ハイブリッドDeepXAI Fusion Networkは、時間的、リレーショナル、コンテキスト的特徴と説明可能な人工知能(XAI)メカニズムを統合するディープラーニングフレームワークである。 このフレームワークは、同型暗号化とブロックチェーンベースの監査を使用して、データプライバシと説明責任をサポートする、フェデレートされたクラウドアーキテクチャへのデプロイメント用に設計されている。 医療、ファイナンス、エネルギーデータセットの実験的評価では、98.42%の精度、97.9%の精度、98.1%のリコール、98.0%のF1スコアが評価されたCNN-LSTM、Transformer-only、XGBoostベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.20940572815908073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Big data analytics supports modern intelligent systems, but model complexity and limited transparency can undermine interpretability, trust, and security in decision-making. This paper presents the Hybrid DeepXAI Fusion Network, a deep learning framework that integrates temporal, relational, and contextual features with explainable artificial intelligence (XAI) mechanisms. The architecture combines one-dimensional convolutional neural networks (1D-CNNs) for temporal feature extraction, Transformer encoders for contextual modeling, and graph neural networks (GNNs) for inter-feature dependency analysis. An attention-based fusion mechanism integrates these representations. Class Activation Mapping (CAM) and an explanation loss are incorporated to improve interpretability and explanation consistency. The framework is designed for deployment in a federated cloud architecture, using homomorphic encryption and blockchain-based auditing to support data privacy and accountability. Experimental evaluations across healthcare, finance, and energy datasets report 98.42% accuracy, 97.9% precision, 98.1% recall, and a 98.0% F1-score, outperforming the evaluated CNN-LSTM, Transformer-only, and XGBoost baselines. Under projected gradient descent (PGD) adversarial perturbations, the model reportedly retains accuracy above 91.5%. Scalability experiments report throughput of 80,000 messages per second with latency below 200 milliseconds. These results suggest that the proposed framework has potential for interpretable and secure cloud-based decision-support systems.
• Abstract（参考訳）: ビッグデータ分析は現代のインテリジェントシステムをサポートするが、モデル複雑性と制限された透明性は、意思決定における解釈可能性、信頼、セキュリティを損なう可能性がある。 本稿では、時間的・リレーショナル・コンテキスト的特徴と説明可能な人工知能(XAI)機構を統合するディープラーニングフレームワークであるHybrid DeepXAI Fusion Networkを提案する。 このアーキテクチャは、時間的特徴抽出のための1次元畳み込みニューラルネットワーク(1D-CNN)、文脈モデリングのためのトランスフォーマーエンコーダ、機能間依存分析のためのグラフニューラルネットワーク(GNN)を組み合わせる。 注意に基づく融合機構はこれらの表現を統合する。 クラスアクティベーションマッピング(CAM)と説明損失は、解釈可能性と説明整合性を改善するために組み込まれている。 このフレームワークは、同型暗号化とブロックチェーンベースの監査を使用して、データプライバシと説明責任をサポートする、フェデレートされたクラウドアーキテクチャへのデプロイメント用に設計されている。 医療、ファイナンス、エネルギーデータセットの実験的評価では、98.42%の精度、97.9%の精度、98.1%のリコール、98.0%のF1スコアが評価されたCNN-LSTM、Transformer-only、XGBoostベースラインを上回っている。 予測勾配降下(PGD)逆転摂動の下では、このモデルは91.5%以上の精度を保っていると報告されている。 スケーラビリティ実験は、200ミリ秒未満のレイテンシで毎秒80,000メッセージのスループットを報告している。 これらの結果から,提案フレームワークはクラウドベースの意思決定支援システムを解釈し,安全なものにする可能性が示唆された。

関連論文リスト

• UModel: An Agent-Ready Observability Data Modeling Method at Scale [25.076726153200084]
  データ中心のモデリングからオブジェクト中心のモデリングへ可観測性をシフトする統一的なオントロジフレームワークであるUModelを提案する。 UModelを使用して"AIOps 2025 Challenge"データセットを再モデル化することで、根本原因のローカライゼーションの精度が8%向上した。 UModelは数万のユーザに仕え、毎秒数百万のオペレーションを持続し、秒未満のクエリレイテンシを提供する。
  論文  参考訳（メタデータ） (2026-06-03T12:25:50Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Towards Trustworthy 6G Network Digital Twins: A Framework for Validating Counterfactual What-If Analysis in Edge Computing Resources [0.5921052011710383]
  Network Digital Twins (NDTs) は,6Gクラウドエッジインフラストラクチャに対して,安全なWhat-if分析を可能にする。 クラウドエッジテレメトリアグリゲーションのためのスケーラブルなパイプラインで6G-TWINを拡張したデータ駆動型NDTフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T08:49:32Z)
• 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)
• Consistency-Regularized GAN for Few-Shot SAR Target Recognition [40.2533418376231]
  合成開口レーダ(SAR)画像におけるわずかなショット認識は、極端なデータ不足のため、現実世界のアプリケーションにとって重要なボトルネックとなっている。 有望な戦略としては、GAN(Generative Adversarial Network)を備えた大規模なデータセット、自己教師付き学習(SSL)によるモデルの事前トレーニング、ラベル付きサンプルの微調整などがある。 このアプローチは基本的なパラドックスに直面する: 従来のGAN自身は、安定したトレーニングのために豊富なデータを必要とし、少数ショット学習の前提に反する。 多様な高次合成を目的とした新しいフレームワークCr-GANを提案する。
  論文  参考訳（メタデータ） (2026-01-22T06:02:39Z)
• Opinion Mining and Analysis Using Hybrid Deep Neural Networks [0.0]
  本稿では、双方向ゲート再帰ユニット(BGRU)とLSTM(Long Short-term memory)レイヤを組み合わせたハイブリッドディープニューラルネットワークモデルを導入し、感情分析を改善する。 私たちのモデルは、ネガティブな感情をリコールする際の注目すべき改善を示し、86%(バランスの取れていないデータセット)から96%(バランスのとれたデータセット)にエスカレートした。
  論文  参考訳（メタデータ） (2025-11-16T19:04:44Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Neurosymbolic Artificial Intelligence for Robust Network Intrusion Detection: From Scratch to Transfer Learning [5.9606188355072725]
  我々は、NIDSにおける堅牢性、解釈可能性、一般化を高めるために、ニューロシンボリックAIフレームワークであるODXUを拡張した。 我々は、異なるデータセット上で事前学習されたODXUモデルの再利用を可能にする転写学習戦略を開発する。
  論文  参考訳（メタデータ） (2025-06-04T21:15:30Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。