ORACLE：ストリーミングアプリケーション利用の部分的な軌跡から詐欺を予測する

要旨

スマートフォンを介した詐欺はますます一般的になっており、典型的には複数段階・複数アプリにわたるプロセスとして現れ、意図が徐々に明らかになる。したがって、効果的な介入には、意図が明確になる前に詐欺を予測することが求められる。これは本質的に困難な課題であり、時間的に分散した証拠を持つ部分的な行動軌跡に基づいて判断を下さなければならないからである。本論文では、ストリーミングアプリ使用軌跡から早期に詐欺を予測するための初のエージェント的フレームワークであるORACLE（Online Reasoning for Anticipating Cross-temporal Latent thrEats）を提案する。この設定を支援するため、12種類の詐欺タイプをカバーし、長期期間（平均15日）に及び、多様なアプリケーション（95アプリ）を含み、正常行動と詐欺行動が混在する、実世界の長期的ベンチマークをストリーミングアプリ使用軌跡として収集した。断片的な証拠に対処するため、時間の経過とともにエンティティ中心の相互作用を適応的に集約する自己進化型コンテキストマネージャを導入し、部分的な観測から時横断的な証拠をより効果的に再構築できるようにした。また、潜在的な初期段階のシグナルに対する感度を高めるため、オン方策自己蒸留スキームを提案する。このスキームでは、スキルごとに要約された反詐欺考察と手がかりを条件とする教師モデルが、そうした考察を利用できない生徒モデルを指導する。これにより、証拠に基づく知識を蒸留し、部分的な軌跡から新たな詐欺パターンを認識する能力を向上させる。実験により、ORACLEが早期詐欺予測を一貫して改善し、現実的なストリーミングシナリオにおいて、タイムリーな警告を発すると同時に誤警告を減少させることが示された。

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.