実時間での不正検出システムにおける説明可能性（XAI）の課題を解決するため、神経記号型モデルが提案されました。従来の SHAP などの事後解説手法は、推論後に別計算を行う必要があるため、ランダム性による説明の不安定さと、30 ミリ秒以上の遅延が発生し、リアルタイム環境には不向きであることが確認されました。これに対し、新たなモデルは推論プロセスと説明生成を統合し、0.9 ミリ秒未満で予測結果とともに一貫した説明を提供します。 実験には Kaggle のクレジットカード不正検出データセットが使用されました。比較対象として、通常の深層ニューラルネットワーク（ベースライン）と、本稿の神経記号型モデルを構築しました。ベースラインは高い精度を示しますが、予測内容の根拠を即座に示す機能が備わっていません。対照的に、神経記号型モデルは、ニューラルネットワークによる潜伏表現と、6 つの異なる微分可能なルール層、そしてこれらを統合する融合層から構成されています。これにより、モデルの推論時に自然にルールが評価され、どの特徴量がどの閾値を超えたかという読みやすい説明が、追加コストなく出力されます。 評価結果では、両モデルとも不正検出における再現率（0.8469）は同等でした。神経記号型モデルは、わずかな精度の低下（約 0.5 ポイントの差）と、ROC-AUC の僅かな低下（0.9688）を示しましたが、これは実運用において許容できる範囲です。最大の利点は、説明の速度が 33 倍向上し、同じ入力に対して毎回同じ説明が出力されるという決定的な一貫性です。この一貫性は、監査やコンプライアンス対応において極めて重要です。 モデル学習により、ルール層はドメイン知識に基づいて初期設定された閾値を、勾配降下法を通じて最適化しました。特に V4 特徴量に基づくルールが、全体的な説明重みの大半を占める結果となりました。これは設計意図とは異なる結果ですが、モデルの予測精度には悪影響を与えていません。将来的には、重みが特定のルールに集中しないよう正規化項を追加するなどの改善が提案されています。 結論として、実時間システムにおいて説明可能性を担保するには、事後処理ではなく、モデルアーキテクチャそのものに説明機能を組み込む必要があります。神経記号型アプローチは、わずかな精度のトレードオフを払うことで、即時性と説明の一貫性を実現し、高度な監査が求められる不正検出環境に適した解決策を提供します。詳細な実装コードは GitHub で公開されています。