#fraud-detection
Detección de entradas anómalas o fraudulentas en datos financieros
La taxonomía de NAACL 2025 se mantiene, pero falta cobertura tabular. Los equipos de IA financiera deben adaptar por su cuenta los métodos de modelos de visión.
AD-LLM halla que GPT-4o alcanza 0.93–0.99 AUROC zero-shot en detección de anomalías de texto, pero la selección de modelo LLM sigue siendo poco fiable.
CausalTAD reordena las columnas de la tabla por dependencia causal antes de la serialización al LLM, elevando el AUC-ROC promedio de 0.803 a 0.834 sobre AnoLLM.
AnoLLM supera a las líneas base clásicas en datos de fraude de tipos mixtos al puntuar filas con log-verosimilitud negativa del LLM.
GPT-4 alcanza 74.1 AUROC medio en ODDS zero-shot, cerca de la base de 75.5 de ECOD, pero falla en datos de alta varianza. La auditoría de libros mayores aún no está resuelta.
AuditCopilot baja los falsos positivos de fraude en asientos de 942 a 12, pero la ablación muestra que el LLM sobre todo sintetiza puntuaciones de Isolation Forest.
Una lectura detallada del artículo de 2022 de Wei et al. sobre la Cadena de Pensamiento y lo que significa para la IA en finanzas — por qué CoT aumenta la precisión pero puede reducir la sensibilidad en la detección de eventos raros, por qué el umbral de escala es importante para los agentes en producción y a qué debe prestar atención un equipo financiero que construye sobre LLMs.
