Naukowcy zaproponowali DeXposure-Claw — system agentic łączący LLM z prognozowaniem czasowymi sieciami do nadzoru ryzyka w zdecentralizowanych finansach. Główny problem, który rozwiązuje, to skłonność generalnych agentów LLM do nadinterpretowania słabych dowodów i rekomendowania wysokoryzzykowych interwencji regulacyjnych, co prowadzi do fałszywych alarmów.
System działa w trzech krokach. Najpierw DeXposure-FM, model foundational do analiz grafów i szeregów czasowych, prognozuje przyszłe sieci ekspozycji finansowych. Następnie deterministyczne monitory i scenariusze stresowe transformują te prognozy w typy alertów, sygnały atrybuacji oraz dowody scenariuszowe. Na końcu bramki data-health i confidence — miary ufności — kontrolują eskalację przed wyemitowaniem audytowalnych decyzji nadzorczych z uzasadnieniami.
Pracownicy zaproponowali również DeXposure-Bench, zestaw evaluacyjny na sześciu osiach, którzy oceniają decyzje systemu względem ground truth wyrównanego z potrzebami regulatorów i wskaźnika fałszywych interwencji. Eksperymenty na pięcioletniej historii realnych danych tygodniowych w pełni poparły efektywność systemu. Kod jest dostępny w serwisie GitHub (EVIEHub/DeXposure-Claw).