PulseAugur
中
实时 05:53:35
English(EN) Toward Auditable Fraud Detection: Combining Graph Features, Model Explanations, and Agentic Case Investigation

新型欺诈检测系统结合图特征和LLM代理

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种分层欺诈检测方法，该方法结合了梯度提升分类器、图派生结构特征和LLM调查代理。该系统在PaySim数据集上进行了测试，结果显示，尽管图特征和异常信号并未提高整体平均精度，但它们在识别中间评分案例的特定子集中的欺诈方面是有效的。值得注意的是，工程化的结构特征成功地恢复了所有注入的多账户欺诈交易，其性能优于表格基线。然而，LLM调查代理尽管可以访问模型解释和图上下文，但其表现不如分类器的直接阈值处理，这表明代理的合理理由并不能保证更好的决策。 AI

影响 这项研究表明，尽管LLM代理可以提供理由，但它们在复杂的欺诈检测场景中的决策能力可能不如传统方法，这凸显了仔细集成和评估的必要性。

排序理由 该集群包含一篇研究论文，详细介绍了一种新颖的欺诈检测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型欺诈检测系统结合图特征和LLM代理

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Rahil Sharma ·

    迈向可审计的欺诈检测：结合图特征、模型解释和代理案例调查

    arXiv:2607.19266v1 Announce Type: cross Abstract: Fraud detection systems must scale with rising transaction volume while remaining explainable and reviewable. We study a layered pipeline on the PaySim dataset that combines a gradient-boosted classifier, graph-derived structural …

相关实体

相关话题