#fraud-detection
Detecció d'entrades anòmales o fraudulentes en dades financeres
La taxonomia de NAACL 2025 es manté, però falta cobertura tabular. Els equips d'IA financera han d'adaptar ells mateixos els mètodes de models de visió.
AD-LLM troba que GPT-4o assoleix 0,93–0,99 AUROC zero-shot en detecció d'anomalies de text, però la selecció de model LLM no és fiable per a auditoria financera.
CausalTAD reordena les columnes de la taula per dependència causal abans de la serialització LLM, elevant l'AUC-ROC mitjà de 0,803 a 0,834 respecte a AnoLLM.
AnoLLM supera les bases clàssiques en frau de tipus mixt puntuant files amb la log-versemblança negativa d'un LLM, però no aporta cap avantatge en taules numèriques.
GPT-4 arriba a 74,1 AUROC mitjà en ODDS zero-shot, prop de la línia base ECOD de 75,5, però falla en dades d'alta variància. L'auditoria de llibres encara no està resolta.
AuditCopilot redueix els falsos positius de frau en assentaments de 942 a 12, però l'ablació mostra que el LLM principalment sintetitza puntuacions d'Isolation Forest.
La cadena de pensament augmenta la precisió però pot reduir l'exhaustivitat en fets financers rars: els agents antifrau poden passar per alt anomalies que haurien de detectar.
