ルール・ステート推論（RSI）：ルールに基づく領域におけるコンプライアンス監視のためのベイズ的フレームワーク

概要: コンプライアンス監視のための既存の機械学習フレームワーク――マルコフ論理ネットワーク、確率的ソフト論理、教師ありモデル――はいずれも根本的なパラダイムを共有している。それらは、観測データを真の事実（ground truth）として扱い、そこから規則を近似しようとするという前提に立っている。しかし、この前提は、課税や規制コンプライアンスのように規則によって統治される領域では破綻する。そこでは、権威ある規則が事前に既知であり、本当の難しさは、部分的でノイズのある観測から、規則の活性化、コンプライアンス、そしてパラメータのドリフトに関する潜在状態を推論することにある。
我々は、Rule-State Inference（RSI）を提案する。これは、規制の規則を構造化された事前分布としてエンコードし、コンプライアンス監視を、潜在する規則状態空間 S = {(a_i, c_i, delta_i)} 上での事後推論として捉えることで、このパラダイムを反転させるベイズ的枠組みである。ここで a_i は規則の活性化を表し、c_i はコンプライアンス率をモデル化し、delta_i はパラメータのドリフトを定量化する。さらに、次の3つの理論的保証を証明する。(T1) RSI は、事前分布の比率補正によりデータセットサイズに依存せず O(1) 時間で規制の変更を吸収する。(T2) 事後分布は Bernstein-von Mises に整合的であり、観測が蓄積されるにつれて真の規則状態へ収束する。(T3) mean-field の変分推論は、Evidence Lower BOund（ELBO）を単調に最大化する。
RSI をトーゴの財政システムに適用し、RSI-Togo-Fiscal-Synthetic v1.0 を導入する。これは、実際の OTR 規制ルール（2022-2025）に基づく 2,000 の合成企業からなるベンチマークである。ラベル付きの学習データを一切用いずに、RSI は F1=0.519、AUC=0.599 を達成し、規制の変更を 1ms 未満で吸収する。これは、完全なモデル再学習に対して 683-1082ms であることと比べて、少なくとも 600倍の高速化に相当する。