标签
本文提出质心引导对比损失，用于结构化虚假职位发布检测，通过在潜空间中统一分类与聚类，实现了最先进的性能表现。
本文介绍了StreamFraudNet，一种弱监督增量模型，用于从原始语音中检测电话诈骗，达到ROC-AUC 0.9953，并能实时运行，在通话过程中提供早期警告。
文章指出，许多企业AI试点项目失败的原因是使用了生成模型来处理更适合判别模型的任务，强调了数学目标和更新机制上的差异。
FraudBench 是一个可执行基准测试，用于对基于政策的银行代理进行对抗自适应欺诈攻击的压力测试，模拟具有工具、可变状态和内部政策文档的场景。
Stripe收购OpenRouter旨在提升整个生态系统的AI安全和对齐性，利用OpenRouter的AI流量数据，通过持续的情境反馈循环来改进欺诈检测和风险管理。
本文研究了人工智能和机器学习算法在识别欺诈性银行交易中的应用，提出了预处理技术并比较了多种模型。人工神经网络和堆叠泛化方法取得了更高的AUC分数，最佳结果约为0.954。
作者构建了一个MCP工具，让AI智能体能够检索Google Maps评论者的完整历史和元数据，以审核评论并检测欺诈模式。
SeqLLM is a framework that injects behavioral-sequence modeling into pretrained LLMs while preserving language ability, enabling joint analysis of text and behavior for high-stakes decisions. Deployed at WeChat Pay, it improves merchant screening precision from 92.0% to 97.5% and achieves state-of-the-art results on open recommendation benchmarks.
本文针对尼日利亚金融科技中的POS欺诈检测，提出了一种分层人机分流模型，旨在消除因基础设施噪声而对农村代理造成的结构性偏见。该系统采用校准集成模型、专业分析师和高级主管，以实现实质机会平等，将区域性能差距从19.43个百分点降低至2.88个百分点。
RUBRIC是一个与生成器无关的过滤框架，用于不平衡分类，通过平衡实况（通过判别器）和效用（基于边界的评分）来选择合成样本，在信用卡欺诈检测等基准上提高了F1宏观和召回率。
本文介绍了一个探索性基准测试，用于在动态交易图中检测稀疏环欺诈，采用量子启发式上下文机器学习（CML）与GRU基线进行比较，发现结合身份保持与拓扑摘要的混合图特征取得了最佳结果。
评论指出，不将“按收款金额排序”转发给欺诈部门的决定始终是一种政策选择，反映了组织的优先级。
对本福特定律进行交互式探索，解释数字1作为首位数字出现约30%时间的数学现象，及其在欺诈检测中的应用。
本文在 IEEE-CIS 欺诈数据集上对七种类别编码方法进行了受控比较，使用固定的 LightGBM 学习器评估了准确性、可解释性和计算权衡，发现实体嵌入获得了最高的 AUC-ROC，但没有任何编码器在两个指标上都占优。
NVIDIA的博客文章描述了一个端到端的工作流，使用PyTorch原生的NeMo AutoModel预训练一个交易基础模型。该工作流使用GPU加速的数据处理和分词、仅解码器模型预训练以及嵌入提取，在IBM TabFormer数据集上将欺诈分类性能提升了超过40%。
本文提出了一种用于首次损失通知（FNOL）阶段保险欺诈检测的合成多模态框架。该框架生成对话记录和双说话人音频，将ASR、NER、LLM-RAG和说话人嵌入整合到一个基于规则的风险评分系统中。
提出用于金融欺诈检测的多流欺诈Transformer（MSFT），该模型使用Transformer独立编码交易、登录和风险事件流，并通过时间感知位置编码和门控融合进行融合，在大型数据集上实现了0.9961的AUROC。
提出TMR-GGNN，一种用于信用卡欺诈检测的时间感知多关系图神经网络，通过对比学习和焦点损失处理不平衡数据和不断演变的欺诈模式。
Sumsub的这篇文章探讨了针对创作者经济的AI驱动深度伪造欺诈日益增长的威胁，并提供了一份关于检测和防护方法的指南，以应对冒充和语音克隆诈骗。