ORACLE: Anticipando estafas a partir de trayectorias parciales en el uso de aplicaciones de streaming

Resumen

Las estafas en teléfonos inteligentes son cada vez más frecuentes y suelen manifestarse como procesos multicapa y entre aplicaciones, con una intención que emerge gradualmente. Por ello, una intervención eficaz requiere anticipar las estafas antes de que la intención sea explícita. Esto es inherentemente difícil, ya que las decisiones deben basarse en trayectorias parciales con evidencia distribuida temporalmente. En este artículo, proponemos ORACLE (Razonamiento en Línea para la Anticipación de Amenazas Latentes Trans-Temporales, por sus siglas en inglés), el primer marco agéntico para la anticipación temprana de estafas a partir de trayectorias de uso de aplicaciones en flujo continuo. Para respaldar este escenario, recopilamos un punto de referencia real de largo horizonte con trayectorias de uso de aplicaciones en flujo continuo, que cubre 12 tipos de estafa, abarca períodos prolongados (15 días en promedio), involucra diversas aplicaciones (95 aplicaciones) e intercala comportamientos normales y fraudulentos. Para abordar la evidencia fragmentada, introducimos un gestor de contexto autoevolutivo que consolida adaptativamente las interacciones centradas en entidades a lo largo del tiempo, permitiendo una reconstrucción más eficaz de la evidencia trans-temporal a partir de observaciones parciales. Para mejorar la sensibilidad a las señales latentes en etapas tempranas, proponemos un esquema de autodestilación en política en el cual un modelo docente, condicionado a reflexiones y pistas antirfraude resumidas por habilidades, supervisa a un modelo estudiante que no tiene acceso a dichas reflexiones. Este esquema destila así el conocimiento informado por la evidencia y mejora el reconocimiento de patrones de fraude emergentes a partir de trayectorias parciales. Los experimentos muestran que ORACLE mejora consistentemente la anticipación temprana de estafas, generando alertas oportunas y reduciendo falsos positivos en escenarios de flujo continuo realistas.

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.