Prehľad detekcie anomálií pomocou LLM (NAACL 2025): Silná taxonómia, chýbajúce pokrytie tabuľkových dát
Taxonómia z NAACL 2025 platí, ale pokrytie tabuliek chýba. Tímy finančnej AI si musia metódy pre vizuálne modely prispôsobiť samy.
#fraud-detection
Detekcia podvodov
Odhaľovanie anomálnych alebo podvodných záznamov vo finančných dátach
Benchmark AD-LLM: GPT-4o dosahuje 0,93+ AUROC Zero-Shot pri detekcii textových anomálií
AD-LLM zisťuje, že GPT-4o dosahuje 0,93–0,99 AUROC zero-shot pri detekcii textových anomálií, ale výber LLM modelu zostáva nespoľahlivý pre AI finančný audit.
CausalTAD: Kauzálne usporiadanie stĺpcov pre detekciu anomálií v tabuľkových dátach pomocou LLM
CausalTAD preusporiada stĺpce tabuľky podľa kauzálnej závislosti pred serializáciou do LLM, čím zvýši priemerné AUC-ROC z 0,803 na 0,834 oproti AnoLLM.
AnoLLM: Doladenie LLM pre detekciu anomálií v tabuľkových finančných údajoch
AnoLLM prekonáva klasické baseline na zmiešaných podvodných dátach skórovaním riadkov negatívnou log-pravdepodobnosťou LLM, no na čisto numerických tabuľkách neprináša výhodu.
Detekcia anomálií s nulovým učením pomocou LLM: Ako GPT-4 funguje pri tabuľkových dátach
GPT-4 dosahuje 74,1 priemerného AUROC pri zero-shot ODDS, blízko baseline ECOD 75,5, ale zlyháva na dátach s vysokým rozptylom. Audit ledgera zatiaľ nie je vyriešený.
AuditCopilot: LLMs na detekciu podvodov v podvojnom účtovníctve
AuditCopilot znižuje falošné pozitíva podvodov v účtovných zápisoch z 942 na 12, ale ablacia ukazuje, že LLM hlavne syntetizuje skóre Isolation Forest.
Chain-of-Thought Prompting: Kompromisy medzi presnosťou a úplnosťou pre finančnú AI
Chain-of-Thought zvyšuje precíznosť, ale môže znížiť recall pri vzácnych finančných udalostiach, takže podvodní agenti môžu prehliadnuť anomálie, ktoré by mali označiť.