PulseAugur
中
实时 11:40:55
English(EN) Traceable LLM Reasoning for Fake-Order Fraud Detection

LLM框架DeepScrub通过可追溯的推理增强虚假订单欺诈检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DeepScrub，一个利用大型语言模型（LLM）检测线上到线下服务中虚假订单欺诈的新框架。该系统将各种风险信号整合到LLM的文本描述中，通过持续预训练增强领域知识，并通过专家反馈优化推理路径。在测试中，DeepScrub取得了85.3%的宏观F1分数，优于现有方法，并且一个较小的8B模型由于有效的领域适应性，表现优于一个较大的32B模型。现场试点显示，精确率和召回率显著提高，大大减少了人工审查工作量并节省了大量成本。 AI

影响 该框架展示了LLM如何有效地适应欺诈检测等专业任务，有可能提高风险管理系统的准确性和效率。

排序理由 详细介绍用于欺诈检测的新型LLM框架的研究论文。[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 →

LLM框架DeepScrub通过可追溯的推理增强虚假订单欺诈检测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Siqi You, Bingsong Xu, Zhixian Zheng, Xinjian Peng, Yang Xie, Ying Wang, Jiarong Xu ·

    Traceable LLM Reasoning for Fake-Order Fraud Detection

    arXiv:2607.23075v1 Announce Type: cross Abstract: Detecting fake-order fraud at scale remains a critical challenge for large online-to-offline (O2O) service platforms, as existing approaches often rely on expert-designed features, produce black-box decisions, and provide limited …

相关实体

相关话题