arXiv cs.AI· Saviz Changizi, Nasibeh Mohammadzadeh, Mohammad Shojafar, Rahim Tafazolli·· 10 天前AI 评分22
AI 监督何时有效？区块链可审计网络欺诈决策管理的角色感知研究
When Does AI Supervision Help? A Role-Aware Study of Network Fraud Decision Management with Blockchain Auditability
AI 导读
研究通过角色感知的 Decider-Supervisor（DS）框架评估 AI 监督对网络欺诈决策的价值，比较集中式机器学习、FedAvg 联邦元模型与 Base/QLoRA 大语言模型变体的四种组合。
正文 · AI 翻译
摘要：第二个 AI 组件何时能改进主网络欺诈决策，而不是增加运营负担？我们通过一个具有区块链可审计性的角色感知 Decider-Supervisor（DS）框架研究这一问题，评估四种方向性配置，这些配置结合了集中式机器学习、经联邦平均（FedAvg）训练的联邦元模型，以及 Base 或量化低秩适配（QLoRA）大语言模型变体。该分析使用非硬欺诈性能、干预负担、条件校准、流量组合与审查容量敏感性、可靠性测试以及区块链生命周期控制，比较仅主决策与受监督决策。确定性硬门控解决了 89.994% 的欺诈请求，使非硬群体成为主要的 AI 决策场景。条件验证校准在部署回放中并未产生一致可迁移的监督优势。DS-3 QLoRA 是干扰最小的受监督配置，但其 F1 和总错误数仍低于其主 FedAvg 阶段。在 36 种重新加权的流量组合中，监督仅在两种极端高欺诈场景下降低了 DS-4 Base 的总错误数。区块链测试支持摘要验证、篡改检测、授权、一次性审查决议以及最终化后完整性，同时暴露出最终化前单次写入的限制。结果表明，AI 监督的价值取决于角色分配、校准、升级策略、流量构成和生命周期控制，而不是仅取决于第二个模型的存在。
| 评论： | 27 页，10 幅图，13 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.07434 [cs.AI] |
| （或使用 arXiv:2610.07434v1 [cs.AI] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.07434 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Saviz Changizi [查看电子邮件]
[v1]
2026 年 10 月 5 日星期一 21:40:07 UTC（214 KB）
来源：arXiv cs.AI · arxiv.org