LLM-Anomalieerkennung Survey (NAACL 2025): Starke Taxonomie, fehlende Abdeckung tabellarischer Daten
Die NAACL-2025-Taxonomie bleibt gültig, doch tabellarische Abdeckung fehlt. Finanz-KI-Teams müssen Vision-Modell-Methoden selbst anpassen.
#fraud-detection
Betrugserkennung
Erkennung anomaler oder betrügerischer Einträge in Finanzdaten
AD-LLM-Benchmark: GPT-4o erreicht 0,93+ AUROC Zero-Shot bei der Text-Anomalieerkennung
AD-LLM zeigt, dass GPT-4o Zero-Shot 0,93–0,99 AUROC bei der Text-Anomalieerkennung erreicht, doch die LLM-Modellauswahl für KI-Finanzprüfung bleibt unzuverlässig.
CausalTAD: Kausale Spaltenordnung für die Tabellen-Anomalieerkennung mit LLMs
CausalTAD ordnet Tabellenspalten vor der LLM-Serialisierung nach kausaler Abhängigkeit um und hebt den mittleren AUC-ROC gegenüber AnoLLM von 0,803 auf 0,834.
AnoLLM: Fine-Tuning von LLMs zur tabellarischen Anomalieerkennung in Finanzdaten
AnoLLM schlägt klassische Baselines bei gemischttypischen Betrugsdaten durch Zeilenbewertung mit LLM-Log-Likelihood, bringt aber bei rein numerischen Tabellen keinen Vorteil.
Zero-Shot-Anomalieerkennung mit LLMs: Wie GPT-4 bei tabellarischen Daten abschneidet
GPT-4 erreicht 74,1 mittleren AUROC bei ODDS Zero-Shot, nahe der ECOD-Baseline von 75,5, versagt aber bei Daten mit hoher Varianz. Ledger-Prüfung ist noch nicht gelöst.
AuditCopilot: LLMs zur Betrugserkennung in der doppelten Buchführung
AuditCopilot senkt Falschpositive bei Buchungsbetrug von 942 auf 12, doch die Ablation zeigt, dass das LLM hauptsächlich Isolation-Forest-Scores synthetisiert.
Chain-of-Thought-Prompting: Precision-Recall-Abwägungen für Finanz-KI
Chain-of-Thought-Prompting erhöht die Präzision, kann aber den Recall bei seltenen Finanzereignissen senken, sodass Betrugs-Agenten Anomalien übersehen, die sie melden sollten.