ORACLE: Vorhersage von Betrugsfällen aus partiellen Trajektorien in der Nutzung von Streaming-Apps

Zusammenfassung

Smartphone-Betrug wird zunehmend verbreitet und tritt typischerweise als mehrstufige, applikationsübergreifende Prozesse mit allmählich erkennbarer Absicht auf. Eine wirksame Intervention erfordert daher, Betrug vorauszusehen, bevor die Absicht explizit wird. Dies ist von Natur aus herausfordernd, da Entscheidungen auf unvollständigen Verläufen mit zeitlich verteilten Belegen beruhen müssen. In diesem Beitrag stellen wir ORACLE (Online Reasoning for Anticipating Cross-temporal Latent thrEats) vor, das erste agentische Framework zur frühzeitigen Betrugsantizipation aus kontinuierlichen App-Nutzungsverläufen. Zur Unterstützung dieses Szenarios erstellen wir einen realen Langzeit-Benchmark aus Streaming-App-Nutzungsverläufen, der 12 Betrugsarten abdeckt, sich über längere Zeiträume (durchschnittlich 15 Tage) erstreckt, verschiedene Anwendungen (95 Apps) umfasst und normales mit betrügerischem Verhalten vermischt. Zur Bewältigung fragmentierter Belege führen wir einen selbstentwickelnden Kontextmanager ein, der entitätszentrierte Interaktionen im Zeitverlauf adaptiv konsolidiert und so eine effektivere Rekonstruktion zeitübergreifender Belege aus Teilbeobachtungen ermöglicht. Um die Sensitivität für latente Frühsignale zu erhöhen, schlagen wir ein On-Policy-Selbstdestillationsschema vor, bei dem ein Lehrermodell, das auf zusammengefasste Anti-Betrugsreflexionen und Hinweise durch Fertigkeiten konditioniert ist, ein Schülermodell überwacht, das keinen Zugang zu solchen Reflexionen hat. Dieses Schema destilliert evidenzgestütztes Wissen und verbessert die Erkennung neuartiger Betrugsmuster aus unvollständigen Verläufen. Experimente zeigen, dass ORACLE die frühzeitige Betrugsantizipation konsistent verbessert, rechtzeitige Warnungen liefert und gleichzeitig Fehlalarme in realistischen Streaming-Szenarien reduziert.

English

Smartphone scams are increasingly prevalent and typically manifest as multi-stage, cross-application processes with gradually emerging intent. Effective intervention thus requires anticipating scams before the intent becomes explicit. This is inherently challenging, as decisions must rely on partial trajectories with temporally distributed evidence. In this paper, we propose ORACLE Online Reasoning for Anticipating Cross-temporal Latent thrEats, the first agentic framework for early scam anticipation from streaming app-usage trajectories. To support this setting, we curate a real-world long-horizon benchmark of streaming app-usage trajectories, covering 12 scam types, spanning extended periods (15 days on average), involving diverse applications (95 apps), and interleaving normal and scam behaviors. To address fragmented evidence, we introduce a self-evolving context manager that adaptively consolidates entity-centric interactions over time, enabling more effective reconstruction of cross-temporal evidence from partial observations. To enhance sensitivity to latent early-stage signals, we propose an on-policy self-distillation scheme in which a teacher model, conditioned on summarized anti-scam reflections and clues by skills, supervises a student model without access to such reflections. This scheme thereby distills evidence-informed knowledge and improves recognition of emerging fraud patterns from partial trajectories. Experiments show that consistently improves early scam anticipation, yielding timely warnings while reducing false alerts in realistic streaming scenarios.