arXiv cs.CL· Bo Qu, Zhurong Wang, Frank Zahradnik, Ming Ouyang·· 10 小时前AI 评分31
双流 LLM 引导奖励设计：面向电商支付欺诈检测中拒付推理感知强化学习
Dual-Stream LLM-Guided Reward Design for Reject-Inference-Aware Reinforcement Learning in E-Commerce Payment Fraud Detection
AI 导读
研究将 LLM 引导奖励设计扩展到拒付推理问题，由单个 LLM 设计双流奖励：第一流对已标注交易采用美元加权精确率目标，第二流用最新梯度提升风险信号对比驱动原始拦截的旧分数，为被旧系统拦截的无标签交易打分。
正文 · AI 翻译
摘要：生产环境中的欺诈检测模型只能从自身流量中被截断的一部分数据中学习：被旧系统拦截的交易永远不会获得欺诈标签，因此模型是在一个有偏的、仅含已批准交易的分布上训练的。我们扩展了 LLM 引导的奖励设计，即 Qu 等人（2025）提出的框架——在该框架中，LLM 演化一个两步 REINFORCE 欺诈拦截策略的奖励——以在奖励内部应对这一拒绝推断问题。单个 LLM 设计一个双流奖励：流 1 对已标注交易应用标准的按金额加权的精确率目标；流 2 通过将最新的梯度提升风险信号与驱动原始拦截的旧评分进行对比，对旧系统拦截的、未标注的交易进行评分。我们并不规定哪些信号重要，而是提供一组超集的证据，让 LLM 仅依据评估反馈自行决定使用哪些信号；由于它把奖励写成代码，这一选择可以直接审计。在一个留出的四个月时间外测试集上，双流智能体在每一个目标召回率上都优于此前仅使用标注数据的智能体，在 80%、85% 和 90% 召回率下，按金额加权的精确率分别提升 +4.7、+2.4 和 +3.0 个百分点，并且平均比生产基线高 +6.8 个百分点。所得策略在架构上与 Qu 等人（2025）的策略完全相同，且不增加推理成本。
| 评论： | 12 页，1 张图，3 张表。扩展自 Qu 等人，ACL 2025 Industry Track：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.08706 [cs.LG] |
| （或 arXiv:2611.08706v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08706 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Bo Qu [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 21:02:58 UTC（29 KB）
来源：arXiv cs.CL · arxiv.org