ORACLE : Anticiper les escroqueries à partir de trajectoires partielles dans l’utilisation d’applications de streaming

Résumé

Les escroqueries sur smartphones sont de plus en plus répandues et se manifestent généralement sous forme de processus multi-étapes et inter-applications, avec une intention qui émerge progressivement. Une intervention efficace nécessite donc d'anticiper les escroqueries avant que l'intention ne devienne explicite. C'est un défi intrinsèque, car les décisions doivent s'appuyer sur des trajectoires partielles avec des preuves réparties dans le temps. Dans cet article, nous proposons ORACLE (Online Reasoning for Anticipating Cross-temporal Latent thrEats), le premier cadre agentique pour l'anticipation précoce des escroqueries à partir de trajectoires d'utilisation d'applications en continu. Pour soutenir ce contexte, nous constituons un benchmark à long horizon du monde réel de trajectoires d'utilisation d'applications en continu, couvrant 12 types d'escroqueries, s'étendant sur des périodes prolongées (15 jours en moyenne), impliquant diverses applications (95 applis), et entrelaçant des comportements normaux et frauduleux. Pour traiter les preuves fragmentées, nous introduisons un gestionnaire de contexte auto-évolutif qui consolide de manière adaptative les interactions centrées sur les entités au fil du temps, permettant une reconstruction plus efficace des preuves trans-temporelles à partir d'observations partielles. Pour améliorer la sensibilité aux signaux latents de stade précoce, nous proposons un schéma d'auto-distillation sur politique dans lequel un modèle enseignant, conditionné par des réflexions et indices anti-escroquerie résumés par compétences, supervise un modèle étudiant sans accès à ces réflexions. Ce schéma distille ainsi des connaissances informées par les preuves et améliore la reconnaissance des schémas de fraude émergents à partir de trajectoires partielles. Les expériences montrent qu'ORACLE améliore constamment l'anticipation précoce des escroqueries, produisant des alertes en temps utile tout en réduisant les fausses alertes dans des scénarios de streaming réalistes.

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.