arXiv cs.CY· Wenbo Gao, Songbai Tan, Zhongan Wang, Fei Shen, Gang Xu, Huiping Zhuang, Yunyun Yang, Ming Li, Xiaofeng Zhu·· 10 小时前AI 评分38
ORACLE：从流式应用使用中的部分轨迹预判诈骗
ORACLE: Anticipating Scams from Partial Trajectories in Streaming App Usage
AI 导读
ORACLE 是首个从流式应用使用轨迹中提前预判诈骗的智能体框架，可在诈骗意图明确前发出预警。团队构建了覆盖 12 种诈骗类型、95 个应用、平均跨度 15 天的真实长周期基准，并提出自演化上下文管理器与 on-policy 自蒸馏方案以整合碎片化证据、提升对早期潜在信号的敏感度。实验显示其在真实流式场景中持续改善早期诈骗预判，及时预警的同时减少误报。
正文 · AI 翻译
摘要：智能手机诈骗日益普遍，通常表现为多阶段、跨应用的过程，其意图逐步显现。因此，有效干预需要在意图明确之前预判诈骗。这本质上具有挑战性，因为决策必须依赖带有时间分布证据的部分轨迹。本文提出 \textbf{ORACLE}（Online Reasoning for Anticipating Cross-temporal Latent thrEats），这是首个从\textit{流式应用使用}轨迹中早期预判诈骗的智能体框架。为支持这一设定，我们构建了一个真实世界的长时程流式应用使用轨迹基准，涵盖 12 种诈骗类型，时间跨度较长（平均 15 天），涉及多种应用（95 个应用），并交织正常与诈骗行为。为应对碎片化证据，我们引入自演化上下文管理器，随时间自适应地整合以实体为中心的交互，从而更有效地从部分观测中重建跨时间证据。为增强对潜在早期信号的敏感性，我们提出一种在线策略自蒸馏方案，其中教师模型以技能总结的反诈反思与线索为条件，监督无法获取此类反思的学生模型。该方案由此蒸馏证据知情知识，并提升从部分轨迹中识别新兴欺诈模式的能力。实验表明，\method{} 持续改进早期诈骗预判，在真实流式场景中及时发出警告的同时减少误报。
| 学科： | 机器学习（cs.LG）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2605.16363 [cs.LG] |
| （或 arXiv:2605.16363v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.16363 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Wenbo Gao [查看邮箱]
[v1]
2026年5月9日星期六 16:26:16 UTC（1,471 KB）
[v2]
2026年10月30日星期五 09:41:07 UTC（2,345 KB）
来源：arXiv cs.CY · arxiv.org