#fraud-detection
Выявление аномальных или мошеннических записей в финансовых данных
Таксономия NAACL 2025 работает, но охват таблиц отсутствует. Командам финансового ИИ придётся самим адаптировать методы визуальных моделей.
AD-LLM обнаруживает, что GPT-4o достигает 0,93–0,99 AUROC в zero-shot для текстового обнаружения аномалий, но выбор модели LLM остаётся ненадёжным для ИИ финансового аудита.
CausalTAD переупорядочивает столбцы таблицы по причинной зависимости перед сериализацией для LLM, повышая средний AUC-ROC с 0,803 до 0,834 относительно AnoLLM.
AnoLLM превосходит классические методы на данных о мошенничестве смешанного типа, но не даёт преимуществ на чисто числовых таблицах.
GPT-4 достигает среднего AUROC 74,1 на ODDS в режиме zero-shot, близко к базовой линии ECOD 75,5, но проваливается на данных с высокой дисперсией. Аудит регистра ещё не решён.
AuditCopilot снижает ложные срабатывания при выявлении мошенничества в проводках с 942 до 12, но абляция показывает, что LLM в основном синтезирует оценки Isolation Forest.
Chain-of-Thought повышает точность, но может снижать полноту на редких финансовых событиях, поэтому агенты по мошенничеству могут пропускать аномалии, которые должны отмечать.
