این مقاله به بررسی معماری نوآورانه‌ای می‌پردازد که اثبات‌های دانش صفر را با هوش مصنوعی مولد ترکیب می‌کند تا شواهد انطباق مقاوم در برابر دستکاری و حفظ‌کننده حریم‌خصوصی را به‌صورت زمان واقعی تولید کند. با بهره‌گیری از گراف‌های دانش مبتنی بر رویداد، لنگرگذاری بلاک‌چین و استنتاج لبه‌ای روی دستگاه، سازمان‌ها می‌توانند مسیرهای حسابرسی را خودکار کنند، تلاش دستی را کاهش دهند و نیازهای نظارتی سخت‌گیرانه را بدون افشای داده‌های حساس برآورده سازند.

این مقاله یک موتور انتساب شواهد تطبیقی مبتنی بر شبکه‌های عصبی گرافی را معرفی می‌کند و به جزئیات معماری، ادغام در جریان کار، مزایای امنیتی و گام‌های عملی برای پیاده‌سازی در پلتفرم‌های انطباقی مانند Procurize می‌پردازد.