AnomalyShield — transparens, metodik och forskning för proaktivt anomaliskydd

Vad är AnomalyShield?

AnomalyShield är ett referensramverk och forskningsprojekt för ett triage-system som rangordnar konton och beteenden online efter uppskattad risk för anomalier och hot. Systemet kombinerar innehålls- och nätverksbaserade signaler till en kalibrerad poäng (0–100) för prioritering.

Grundprincip: Poäng ändrar bara ordningen i den mänskliga granskningskön. Människor fattar alla beslut. Bekräftade fall eskaleras uteslutande via lagliga kanaler. Ingen namnpublicering, inga automatiska åtgärder.

Materialet finns på flera språk med rapporter på engelska och svenska. Allt innehåll är illustrativt tills verkliga utvärderingsdata med bekräftade utfall finns tillgängliga.

Ladda ner rapporterna

Prevalence brief — välj språk

Agentforskning – tio specialiserade analyser (2026)

Nedladdningsbara fulltexter finns i research-outputs-mappen. Här är sammanfattningar och nyckelfynd från de tio agenterna som genomfördes enligt projektets ursprungliga specifikation.

AnomalyShield-poängsättning – transparent och granskningsbar

Systemet använder två delpoäng som fusioneras och kalibreras. Allt är utformat så att en oberoende granskare kan förstå och ifrågasätta resultatet. Nedan följer den offentliga referensspecifikationen (pseudokod från Methodology & Confidence Report, Appendix B, samt agentanalys).

DAC-subscore (Deviant-Age-Contact)

def dac_subscore(age_gap_z, grooming_p, escalation, asymmetry):
    z = 0.9*age_gap_z + 1.6*grooming_p + 1.2*escalation + 0.7*asymmetry - 3.1
    return 100 * sigmoid(temperature_scale(z))

Social-Contact-subscore

def social_subscore(minor_fanout, init_asym, burst, offplatform, proximity_adv):
    z = 1.4*minor_fanout + 0.8*init_asym + 0.6*burst + 0.9*offplatform + 0.2*proximity_adv - 2.7
    return 100 * sigmoid(z)

Composite (fusion + kalibrering)

def composite(s_dac, s_social):
    z = 1.2*logit(s_dac/100) + 0.8*logit(s_social/100) + 0.3*interaction(s_dac, s_social) + b0
    P = 100 * sigmoid(recalibrate(z))   # temperature or isotonic on held-out set
    return P, credible_interval(z)

Full kontext, vikter (illustrativa), kalibrering, osäkerhetsband och undergruppsgranskning finns i Methodology & Confidence Report och agent 4:s utdata.

Körbar referensmodell – öppen grund för fortsatt arbete

En öppen, körbar referensimplementation av AnomalyShield-metoden i Python. Den är framtagen för att myndigheter, forskare och ideella organisationer ska kunna läsa, köra, granska och bygga vidare på metoden – och för utvärdering av samarbetspartner. Ingen träningsdata, inga riktiga personuppgifter. Vikterna är illustrativa platshållare; en poäng är en risksignal för mänsklig granskning, aldrig ett skuldfastställande.

Demoresultat (syntetiskt, illustrativt)

Utdata från python examples/run_demo.py på en syntetisk population (120 000 entiteter, basfrekvens ~0,15 %). Diagrammen visar exakt det som metodrapporten beskriver – men nu som körbar kod: precisionen i toppen av kön med konfidensintervall, och kalibreringen efter temperature scaling.

Innan någon verklig pilot krävs: märkt data, träning, kalibrering på uthållet data, rättvisegranskning, DPIA och rättslig grund (GDPR art. 8 och 22, DSA, EU:s AI-förordning) samt mänsklig granskning och lagliga eskaleringsvägar. Se MODEL CARD, GOVERNANCE och ACCEPTABLE USE.

Illustrativa scenarier (helt påhittade)

Exemplen är 100 % syntetiska och tydligt märkta. De visar hur olika risknivåer kan yttra sig och vilken åtgärd en mänsklig granskare bör ta. Används endast för utbildning och transparens.

Full uppsättning (6–8 exempel med låg/medel/hög risk, granskaråtgärder och motivering) finns i agent 8:s rapport och i Simple Explainer.

Juridiskt ramverk Sverige/EU 2026

Sammanfattning av GDPR (meningsfull mänsklig granskning Art 22, förstärkt skydd för barns data), DSA trusted flagger, ePrivacy-derogationens status, EU AI Act-klassificering (troligen high-risk), krav på DPIA, modellkort, datasheets och post-market monitoring.

Full analys: Agent 7 + Methodology Report.

Vanliga frågor

Fler frågor finns i den fullständiga FAQ-sidan och i agent 9:s utökade FAQ.