#fraud-detection
Deteção de entradas anómalas ou fraudulentas em dados financeiros
A taxonomia da NAACL 2025 se mantém, mas a cobertura tabular está ausente. Equipes de IA financeira precisam adaptar métodos de modelos de visão por conta própria.
O AD-LLM mostra o GPT-4o atingindo 0,93–0,99 de AUROC zero-shot em anomalias de texto, mas a seleção de modelo segue instável para auditoria.
O CausalTAD reordena colunas de tabelas por dependência causal antes da serialização para o LLM, elevando o AUC-ROC médio de 0,803 para 0,834 em relação ao AnoLLM.
O AnoLLM supera baselines em fraude de tipos mistos ao pontuar linhas com log-verossimilhança negativa, mas não ganha vantagem em tabelas numéricas.
O GPT-4 atinge 74,1 de AUROC médio no ODDS zero-shot, perto da linha de base ECOD de 75,5, mas falha em dados de alta variância. A auditoria de razão ainda não está resolvida.
O AuditCopilot reduz falsos positivos de fraude em lançamentos de 942 para 12, mas a ablação mostra que o LLM só sintetiza pontuações do Isolation Forest.
O prompting de Cadeia de Pensamento eleva a precisão, mas reduz a revocação em eventos raros, fazendo agentes antifraude perder anomalias.
