研究人员开发了ECoG，一个新颖的生成式框架，旨在提高欺诈检测模型在面对场景级分布偏移时的鲁棒性。该框架在训练过程中结合了证据跨度监督和推理-标签一致性目标。与标准训练方法相比，ECoG在具有挑战性的分布外实例上将Macro-F1分数提高了3.22个百分点，并将参考证据跨度的token级重叠度提高了8.38个百分点。 AI
影响 通过提高对新攻击场景的泛化能力，增强了AI模型在检测复杂欺诈行为时的可靠性。
排序理由 该集群包含一篇详细介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
