#fraud-detection
Виявлення аномальних або шахрайських записів у фінансових даних
Таксономія NAACL 2025 залишається чинною, але табличні дані поза увагою. Командам фінансового AI доведеться самим адаптувати методи для vision-моделей.
AD-LLM виявляє, що GPT-4o досягає 0,93–0,99 AUROC у zero-shot для виявлення текстових аномалій, але вибір моделі LLM залишається ненадійним для ШІ фінансового аудиту.
CausalTAD перевпорядковує стовпці таблиці за причинно-наслідковою залежністю перед серіалізацією LLM, підвищуючи середній AUC-ROC з 0,803 до 0,834 порівняно з AnoLLM.
AnoLLM перевершує класичні методи на змішаних даних про шахрайство, оцінюючи рядки через негативну логправдоподібність LLM, але не дає переваги на суто числових таблицях.
GPT-4 досягає 74.1 середнього AUROC на ODDS zero-shot, близько до базової лінії ECOD 75.5, але зазнає невдачі на даних із високою дисперсією. Аудит реєстру ще не розв'язано.
AuditCopilot знижує хибні спрацювання виявлення шахрайства в проводках з 942 до 12, але абляція показує: LLM лише синтезує оцінки Isolation Forest.
Chain-of-Thought підвищує точність, але може знизити повноту на рідкісних фінансових подіях, тож агенти з виявлення шахрайства можуть пропускати аномалії, які мали б позначити.
