网络金融传染：AI供应商在银行系统中的传播建模

arXiv:2609.10350v1 公告类型：新 摘要：银行系统现在依赖于一小部分共享的AI供应商进行欺诈筛查、信贷决策、反洗钱筛查、客户分析和内部决策支持。本文研究了一个供应商内部的漏洞如何沿着操作、信息和金融链接链传播，直到触发看似经典银行危机的损失。我们构建了一个四层异构网络，耦合AI供应商、金融机构、银行间敞口和客户账户，并提出了CFC-Prop，一个在该网络上运行的随机流行病和清算模型。在一个包含60个供应商、220家银行、约2,500个供应商-银行服务边和1,400个银行间敞口的合成数据集上，CFC-Prop重现了与先前网络金融证据一致的重尾损失分布和对补丁延迟的尖锐依赖。我们还训练了一个预警模型CFC-GNN，该模型使用供应商端事件遥测和图结构在影响之前标记高级联风险供应商。在四个基线下，所提出的模型达到AUROC 0.82和AUPRC 0.60，同时保持校准误差有界。我们发布完整代码、合成数据和可重现脚本。结果表明，AI供应商的网络集中度是一个首要的金融稳定问题，并为监管者提供了推理的具体量化工具。

# 网络金融传染：人工智能供应商安全事件在银行业系统中的传播模型
来源：https://arxiv.org/abs/2609.10350
文献工具

## 文献与引用工具

文献浏览器切换

代码、数据、媒体

## 与本文相关的代码、数据和媒体

演示

## 演示示例

相关论文

## 推荐工具与检索工具

关于arXivLabs

## arXivLabs：与社区协作者共同开展的实验性项目

arXivLabs是一个协作框架，允许协作者直接在我们的网站上开发和共享新的arXiv功能。

与arXivLabs合作的个人和组织都认同并接受我们开放、社区、卓越和用户数据隐私的价值观。arXiv致力于践行这些价值观，并仅与遵守这些价值观的合作伙伴开展合作。

对能为arXiv社区创造价值的项目有想法吗？**了解更多关于arXivLabs的信息**（https://info.arxiv.org/labs/index.html）。