TeleAntiFraud-28k: Ein Audio-Text-Langsam-Denken-Datensatz zur Erkennung von Telekommunikationsbetrug

TeleAntiFraud-28k: A Audio-Text Slow-Thinking Dataset for Telecom Fraud Detection

March 31, 2025

Autoren: Zhiming Ma, Peidong Wang, Minhua Huang, Jingpeng Wang, Kai Wu, Xiangzhao Lv, Yachun Pang, Yin Yang, Wenjie Tang, Yuchen Kang

cs.AI

Zusammenfassung

Die Erkennung von Telekommunikationsbetrug steht vor erheblichen Herausforderungen, insbesondere aufgrund des Mangels an hochwertigen multimodalen Trainingsdaten, die Audiosignale mit schlussfolgerungsorientierter Textanalyse integrieren. Um diese Lücke zu schließen, präsentieren wir TeleAntiFraud-28k, den ersten Open-Source-Audio-Text-Datensatz für langsam denkende Analysen, der speziell für die automatisierte Analyse von Telekommunikationsbetrug entwickelt wurde. Unser Datensatz wird durch drei Strategien erstellt: (1) Privatsphäre-schützende Text-Wahrheits-Proben-Generierung unter Verwendung von automatisch spracherkannten (ASR)-transkribierten Anrufaufzeichnungen (mit anonymisierten Original-Audios), die durch Text-zu-Sprache (TTS)-Modellregeneration reale Konsistenz gewährleisten; (2) Semantische Verbesserung durch selbstinstruierte Stichprobenbildung auf Basis von authentischen ASR-Ausgaben mittels großer Sprachmodelle (LLM), um die Szenarioabdeckung zu erweitern; (3) Multi-Agenten-adversarische Synthese, die neuartige Betrugstaktiken durch vordefinierte Kommunikationsszenarien und Betrugstypologien simuliert. Der generierte Datensatz enthält 28.511 sorgfältig verarbeitete Sprach-Text-Paare, ergänzt durch detaillierte Anmerkungen zur Betrugsbegründung. Der Datensatz ist in drei Aufgaben unterteilt: Szenarioklassifizierung, Betrugserkennung und Betrugstypklassifizierung. Darüber hinaus erstellen wir TeleAntiFraud-Bench, einen standardisierten Evaluierungsmaßstab, der proportional abgetastete Instanzen aus dem Datensatz enthält, um systematische Tests der Modellleistung bei der Erkennung von Telekommunikationsbetrug zu ermöglichen. Wir stellen auch ein produktionsoptimiertes überwachtes Feinabstimmungsmodell (SFT) zur Verfügung, das auf hybriden realen/synthetischen Daten trainiert wurde, während wir das Datenverarbeitungsframework Open-Source bereitstellen, um eine gemeinschaftsgetriebene Datensatzerweiterung zu ermöglichen. Diese Arbeit schafft ein grundlegendes Framework für multimodale Anti-Betrugs-Forschung und adressiert kritische Herausforderungen in Bezug auf Datenschutz und Szenariodiversität. Das Projekt wird unter https://github.com/JimmyMa99/TeleAntiFraud veröffentlicht.

English

The detection of telecom fraud faces significant challenges due to the lack of high-quality multimodal training data that integrates audio signals with reasoning-oriented textual analysis. To address this gap, we present TeleAntiFraud-28k, the first open-source audio-text slow-thinking dataset specifically designed for automated telecom fraud analysis. Our dataset is constructed through three strategies: (1) Privacy-preserved text-truth sample generation using automatically speech recognition (ASR)-transcribed call recordings (with anonymized original audio), ensuring real-world consistency through text-to-speech (TTS) model regeneration; (2) Semantic enhancement via large language model (LLM)-based self-instruction sampling on authentic ASR outputs to expand scenario coverage; (3) Multi-agent adversarial synthesis that simulates emerging fraud tactics through predefined communication scenarios and fraud typologies. The generated dataset contains 28,511 rigorously processed speech-text pairs, complete with detailed annotations for fraud reasoning. The dataset is divided into three tasks: scenario classification, fraud detection, fraud type classification. Furthermore, we construct TeleAntiFraud-Bench, a standardized evaluation benchmark comprising proportionally sampled instances from the dataset, to facilitate systematic testing of model performance on telecom fraud detection tasks. We also contribute a production-optimized supervised fine-tuning (SFT) model trained on hybrid real/synthetic data, while open-sourcing the data processing framework to enable community-driven dataset expansion. This work establishes a foundational framework for multimodal anti-fraud research while addressing critical challenges in data privacy and scenario diversity. The project will be released at https://github.com/JimmyMa99/TeleAntiFraud.