LLM異常検知サーベイ (NAACL 2025)：強力な分類体系、欠如した表形式データへの対応
NAACL 2025の分類法は有効だが、表形式データの対象が欠けている。財務AIチームは視覚モデル手法を自ら適応させる必要がある。
#fraud-detection
不正検知
AD-LLMベンチマーク：GPT-4oがテキスト異常検知においてゼロショットで0.93以上のAUROCを達成
AD-LLMはGPT-4oがテキスト異常検知でゼロショットAUROC 0.93〜0.99を達成するが、金融監査AIではLLMモデル選択が依然信頼できないと判明。
CausalTAD: LLMによるテーブルデータの異常検知のための因果関係に基づく列順序付け
CausalTADはLLMシリアライズ前に因果依存関係で表の列を並べ替え、AnoLLMに対する平均AUC-ROCを0.803から0.834に引き上げる。
AnoLLM: 財務データにおけるテーブルデータの異常検知に向けたLLMのファインチューニング
AnoLLMは混合型不正データでLLM負の対数尤度により行をスコアリングし古典的ベースラインを上回るが、純粋に数値的な表では優位性を加えない。
LLMを用いたゼロショット異常検知：GPT-4はテーブルデータでどのようなパフォーマンスを示すか
GPT-4はODDSゼロショットで平均AUROC 74.1に達し、75.5のECODベースラインに近づくが高分散データでは失敗。台帳監査は未解決だ。
AuditCopilot：複式簿記における不正検知のためのLLM
AuditCopilotは仕訳不正の誤検知を942件から12件に削減するが、アブレーションはLLMが主にIsolation Forestのスコアを統合しているにすぎないことを示す。
Chain-of-Thoughtプロンプティング：金融AIにおける適合率と再現率のトレードオフ
思考連鎖プロンプティングは精度を上げますが、稀な財務事象では再現率を下げることがあり、不正検知エージェントが本来検出すべき異常を見逃す恐れがあります。