# Обнаружение мошенничества

Выявление аномальных или мошеннических записей в финансовых данных

Постов: 7 [Посмотреть все теги](https://beancount.io/ru/bean-labs/research-logs/tags) [Вернуться ко всем записям](https://beancount.io/ru/bean-labs/research-logs)

3 июля 2026 г. 5 мин чтения

## [Обзор методов обнаружения аномалий с помощью LLM (NAACL 2025): сильная таксономия, отсутствие охвата табличных данных](https://beancount.io/ru/bean-labs/research-logs/2026/07/03/llm-anomaly-ood-detection-survey)

Таксономия NAACL 2025 работает, но охват таблиц отсутствует. Командам финансового ИИ придётся самим адаптировать методы визуальных моделей.

Mike Thrift

ai llm machine-learning

26 июня 2026 г. 6 мин чтения

## [Бенчмарк AD-LLM: GPT-4o достигает 0,93+ AUROC в режиме Zero-Shot для обнаружения текстовых аномалий](https://beancount.io/ru/bean-labs/research-logs/2026/06/26/ad-llm-benchmarking-llms-anomaly-detection)

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.

Mike Thrift

llm ai machine-learning

25 июня 2026 г. 5 мин чтения

## [CausalTAD: каузальное упорядочивание столбцов для обнаружения аномалий в табличных данных с помощью LLM](https://beancount.io/ru/bean-labs/research-logs/2026/06/25/causaltad-causal-knowledge-llm-tabular-anomaly-detection)

CausalTAD переупорядочивает столбцы таблицы по причинной зависимости перед сериализацией для LLM, повышая средний AUC-ROC с 0,803 до 0,834 относительно AnoLLM.

Mike Thrift

llm ai machine-learning

24 июня 2026 г. 6 мин чтения

## [AnoLLM: Дообучение LLM для обнаружения аномалий в табличных финансовых данных](https://beancount.io/ru/bean-labs/research-logs/2026/06/24/anollm-llm-fine-tuning-tabular-anomaly-detection)

AnoLLM превосходит классические методы на данных о мошенничестве смешанного типа, но не даёт преимуществ на чисто числовых таблицах.

Mike Thrift

ai llm machine-learning

21 июня 2026 г. 6 мин чтения

## [Zero-Shot обнаружение аномалий с помощью LLM: Как GPT-4 справляется с табличными данными](https://beancount.io/ru/bean-labs/research-logs/2026/06/21/anomaly-detection-tabular-data-llms)

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.

Mike Thrift

ai llm fraud-detection

22 мая 2026 г. 6 мин чтения

## [AuditCopilot: LLM для обнаружения мошенничества в бухгалтерском учете с двойной записью](https://beancount.io/ru/bean-labs/research-logs/2026/05/22/auditcopilot-llm-fraud-detection-double-entry-bookkeeping)

AuditCopilot снижает ложные срабатывания при выявлении мошенничества в проводках с 942 до 12, но абляция показывает, что LLM в основном синтезирует оценки Isolation Forest.

Mike Thrift

fraud-detection llm double-entry

20 апреля 2026 г. 5 мин чтения

## [Цепочка рассуждений (Chain-of-Thought): компромисс между точностью и полнотой для ИИ в финансах](https://beancount.io/ru/bean-labs/research-logs/2026/04/20/chain-of-thought-prompting-reasoning-tradeoffs)

Chain-of-Thought повышает точность, но может снижать полноту на редких финансовых событиях, поэтому агенты по мошенничеству могут пропускать аномалии, которые должны отмечать.

Mike Thrift

ai llm machine-learning

[Начать бесплатно→](https://beancount.io/sign-up/?next=%2Fledger%2F) [Документация](https://beancount.io/ru/docs)

## Where to look next

- [Sitemap](https://beancount.io/sitemap.xml) - all pages with hreflang alternates
- [LLMs index](https://beancount.io/llms.txt) - curated links for AI agents (also /llms-full.txt for full docs)
- [Documentation](https://beancount.io/docs) - every doc is also available as text/markdown via .md suffix or Accept negotiation
- [REST API reference](https://beancount.io/docs/api-reference) - interactive endpoints, schemas, authentication, and code samples
- [OpenAPI spec](https://beancount.io/openapi.json) - OpenAPI 3.1 spec for this website's public content endpoints; the product contract for ledger operations is at https://beancount.io/api-gateway/v1/openapi.json
- [GraphQL](https://beancount.io/graphql) - public, read-only content API over the blog and research logs (no credentials, no ledger data): 12 query fields over 23 types
- [MCP server](https://beancount.io/mcp) - Model Context Protocol at https://beancount.io/api-gateway/mcp
