通过指令微调小型语言模型进行渐进式老年金融诈骗的增量风险评估

arXiv cs.AI 论文
incremental-risk-assessment elder-fraud-detection small-language-models instruction-tuning multi-turn-dialogue scam-monitoring fine-tuning

摘要

本文提出了一种基于累积回合的风险评估框架，利用微调的小型语言模型，在针对老年人的多轮对话中增量检测金融诈骗。

arXiv:2609.00005v1 公告类型：新 摘要: 针对老年人的金融诈骗越来越多地通过电子邮件、短信和电话等文本和语音渠道发生，这些诈骗在多轮对话中展开，从冒充或随意联系开始，通过建立信任和制造紧迫性逐步升级，最终以请求敏感信息或财务转账告终。由于风险信号在对话回合中逐步显现，有效检测需要在资源受限的部署环境中持续更新风险估计的模型。我们提出了一种累积回合制的风险评估框架，逐步聚合对话回合并在每一步重新估计风险，实现对逐步演变对话的动态诈骗监控。构建了一个多轮对话数据集，涵盖投资、慈善和技术支持诈骗场景，每个对话包含两到八个回合，并在每个累积阶段标注了定性风险等级、连续风险分数、解释性理由和安全建议。在统一的训练框架下，对四种小型语言模型（Phi-4、LLaMA-3.2、DeepSeek-R1 和 Qwen3）进行了微调和评估。微调后的小型模型能够捕捉欺诈相关的语言线索和跨回合升级模式，同时保持适合移动和资源受限部署环境的紧凑架构。在评估的模型中，Phi-4 和 LLaMA-3.2 相对于其参数规模实现了更强的回合感知风险估计性能。这些结果表明，结构化累积建模可以在面向部署的环境中支持增量诈骗风险评估，同时突出了紧凑语言模型在隐私感知和设备端欺诈保护方面的潜力。
查看原文
查看缓存全文

缓存时间: 2026/09/02 05:54 

# 基于指令微调小型语言模型对渐进式老年人金融诈骗的增量风险评估  
来源：https://arxiv.org/abs/2609.00005  
查看PDF (https://arxiv.org/pdf/2609.00005)

> 摘要：针对老年人的金融诈骗正越来越多地通过电子邮件、短信和电话等文本与语音渠道发生。这些诈骗通常始于身份冒充或日常接触，在多轮对话中逐步展开，通过建立信任和营造紧迫感升级，最终索要敏感信息或进行资金转账。由于风险信号在对话轮次中逐步显现，有效的检测需要模型在资源受限的部署环境中持续更新风险评估。我们提出了一种基于累积轮次的风险评估框架，该框架增量聚合对话轮次并在每一步重新评估风险，从而在逐步演变的对话中实现动态诈骗监控。研究构建了一个涵盖投资、慈善和技术支持诈骗场景的多轮对话数据集，每个对话包含两到八个轮次，并在每个累积阶段标注了定性风险等级、连续风险分数、解释性理由和安全建议。四种小型语言模型（Phi-4、LLaMA-3.2、DeepSeek-R1和Qwen3）在统一的训练框架下进行了微调和评估。经过微调的小型模型能够捕捉与欺诈相关的语言线索和跨轮次升级模式，同时保持适合移动和资源受限部署环境的紧凑架构。在评估的模型中，Phi-4和LLaMA-3.2相对于其参数规模实现了更强的轮次感知风险估计性能。这些结果表明，结构化的累积建模可以在部署导向的场景中支持增量式诈骗风险评估，同时凸显了紧凑型语言模型在隐私感知和设备端欺诈防护方面的潜力。

## 提交历史

来自：Parviz Ghafariasl \[查看邮件 (https://arxiv.org/show-email/6b591868/2609.00005)\] **\[v1\]** 2026年7月11日，星期六，19:25:30 UTC \(431 KB\)

相似文章

评估语言模型在长对抗性对话中的安全性

arXiv cs.CL

本文评估了开源权重指令微调的语言模型在长对抗性对话中能否保持安全行为，发现在第1轮时安全回应率为85-100%，到第101轮时降至15-44%，表明强大的单轮安全性并不能在持续交互中保持。