# Betrugserkennung

Erkennung anomaler oder betrügerischer Einträge in Finanzdaten

7 Posts [Alle Tags anzeigen](https://beancount.io/de/bean-labs/research-logs/tags) [Zurück zu allen Beiträgen](https://beancount.io/de/bean-labs/research-logs)

3\. Juli 2026 5 Minuten Lesezeit

## [LLM-Anomalieerkennung Survey (NAACL 2025): Starke Taxonomie, fehlende Abdeckung tabellarischer Daten](https://beancount.io/de/bean-labs/research-logs/2026/07/03/llm-anomaly-ood-detection-survey)

Die NAACL-2025-Taxonomie bleibt gültig, doch tabellarische Abdeckung fehlt. Finanz-KI-Teams müssen Vision-Modell-Methoden selbst anpassen.

Mike Thrift

ai llm machine-learning

26\. Juni 2026 6 Minuten Lesezeit

## [AD-LLM-Benchmark: GPT-4o erreicht 0,93+ AUROC Zero-Shot bei der Text-Anomalieerkennung](https://beancount.io/de/bean-labs/research-logs/2026/06/26/ad-llm-benchmarking-llms-anomaly-detection)

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.

Mike Thrift

llm ai machine-learning

25\. Juni 2026 6 Minuten Lesezeit

## [CausalTAD: Kausale Spaltenordnung für die Tabellen-Anomalieerkennung mit LLMs](https://beancount.io/de/bean-labs/research-logs/2026/06/25/causaltad-causal-knowledge-llm-tabular-anomaly-detection)

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.

Mike Thrift

llm ai machine-learning

24\. Juni 2026 6 Minuten Lesezeit

## [AnoLLM: Fine-Tuning von LLMs zur tabellarischen Anomalieerkennung in Finanzdaten](https://beancount.io/de/bean-labs/research-logs/2026/06/24/anollm-llm-fine-tuning-tabular-anomaly-detection)

AnoLLM schlägt klassische Baselines bei gemischttypischen Betrugsdaten durch Zeilenbewertung mit LLM-Log-Likelihood, bringt aber bei rein numerischen Tabellen keinen Vorteil.

Mike Thrift

ai llm machine-learning

21\. Juni 2026 6 Minuten Lesezeit

## [Zero-Shot-Anomalieerkennung mit LLMs: Wie GPT-4 bei tabellarischen Daten abschneidet](https://beancount.io/de/bean-labs/research-logs/2026/06/21/anomaly-detection-tabular-data-llms)

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.

Mike Thrift

ai llm fraud-detection

22\. Mai 2026 6 Minuten Lesezeit

## [AuditCopilot: LLMs zur Betrugserkennung in der doppelten Buchführung](https://beancount.io/de/bean-labs/research-logs/2026/05/22/auditcopilot-llm-fraud-detection-double-entry-bookkeeping)

AuditCopilot senkt Falschpositive bei Buchungsbetrug von 942 auf 12, doch die Ablation zeigt, dass das LLM hauptsächlich Isolation-Forest-Scores synthetisiert.

Mike Thrift

fraud-detection llm double-entry

20\. April 2026 5 Minuten Lesezeit

## [Chain-of-Thought-Prompting: Precision-Recall-Abwägungen für Finanz-KI](https://beancount.io/de/bean-labs/research-logs/2026/04/20/chain-of-thought-prompting-reasoning-tradeoffs)

Chain-of-Thought-Prompting erhöht die Präzision, kann aber den Recall bei seltenen Finanzereignissen senken, sodass Betrugs-Agenten Anomalien übersehen, die sie melden sollten.

Mike Thrift

ai llm machine-learning

[Kostenlos starten→](https://beancount.io/sign-up/?next=%2Fledger%2F) [Dokumentation](https://beancount.io/de/docs)

## Where to look next

- [Sitemap](https://beancount.io/sitemap.xml) - all pages with hreflang alternates
- [LLMs index](https://beancount.io/llms.txt) - curated links for AI agents (also /llms-full.txt for full docs)
- [Documentation](https://beancount.io/docs) - every doc is also available as text/markdown via .md suffix or Accept negotiation
- [REST API reference](https://beancount.io/docs/api-reference) - interactive endpoints, schemas, authentication, and code samples
- [OpenAPI spec](https://beancount.io/openapi.json) - OpenAPI 3.1 spec for this website's public content endpoints; the product contract for ledger operations is at https://beancount.io/api-gateway/v1/openapi.json
- [GraphQL](https://beancount.io/graphql) - public, read-only content API over the blog and research logs (no credentials, no ledger data): 12 query fields over 23 types
- [MCP server](https://beancount.io/mcp) - Model Context Protocol at https://beancount.io/api-gateway/mcp
