Survey sull'Anomaly Detection con LLM (NAACL 2025): Tassonomia Solida, Copertura su Dati Tabulari Assente
La tassonomia NAACL 2025 regge, ma la copertura tabellare manca. I team di finanza AI devono adattare da soli i metodi dei modelli visivi.
#fraud-detection
Rilevamento delle frodi
Rilevamento di voci anomale o fraudolente nei dati finanziari
Benchmark AD-LLM: GPT-4o Raggiunge AUROC 0,93+ Zero-Shot per il Rilevamento di Anomalie nel Testo
AD-LLM rileva che GPT-4o raggiunge 0,93–0,99 AUROC zero-shot per anomalie testuali, ma la scelta del modello LLM resta inaffidabile per l'AI di revisione finanziaria.
CausalTAD: Ordinamento Causale delle Colonne per il Rilevamento di Anomalie Tabulari con LLM
CausalTAD riordina le colonne delle tabelle secondo la dipendenza causale prima della serializzazione LLM, portando l'AUC-ROC medio da 0,803 a 0,834 rispetto ad AnoLLM.
AnoLLM: Fine-Tuning di LLM per il Rilevamento di Anomalie Tabulari in Dati Finanziari
AnoLLM batte i baseline classici su dati frode a tipi misti valutando le righe con la log-verosimiglianza negativa LLM, ma non aggiunge vantaggi su tabelle numeriche.
Rilevamento di Anomalie Zero-Shot con LLM: Come GPT-4 si Comporta sui Dati Tabulari
GPT-4 raggiunge 74,1 AUROC medio su ODDS zero-shot, vicino alla baseline ECOD di 75,5, ma fallisce su dati ad alta varianza. L'audit dei registri non è ancora risolto.
AuditCopilot: LLM per il Rilevamento di Frodi nella Contabilità in Partita Doppia
AuditCopilot riduce i falsi positivi nella frode sulle scritture contabili da 942 a 12, ma l'ablation mostra che l'LLM sintetizza soprattutto i punteggi di Isolation Forest.
Prompting a Catena di Pensiero: Compromessi Precisione-Richiamo per l'AI Finanziaria
Il prompting Chain-of-Thought alza la precisione ma può ridurre il richiamo su eventi finanziari rari, così gli agenti antifrode possono mancare anomalie da segnalare.