ORACLE: 스트리밍 앱 사용의 부분 궤적으로부터 사기 예측

초록

스마트폰 사기는 점점 더 보편화되고 있으며, 일반적으로 다단계의 교차 애플리케이션 프로세스로 나타나 의도가 점진적으로 드러난다. 따라서 효과적인 개입을 위해서는 의도가 명확해지기 전에 사기를 예측해야 한다. 이는 부분적인 궤적과 시간적으로 분산된 증거에 기반해 결정을 내려야 하므로 본질적으로 어렵다. 본 논문에서는 스트리밍 앱 사용 궤적에서 초기 사기를 예측하기 위한 최초의 에이전트 기반 프레임워크인 ORACLE(Online Reasoning for Anticipating Cross-temporal Latent thrEats)을 제안한다. 이 설정을 지원하기 위해, 12가지 사기 유형을 포함하고, 확장된 기간(평균 15일)에 걸쳐 있으며, 다양한 애플리케이션(95개 앱)을 포함하고, 정상 행동과 사기 행동이 혼재된 실제 장기 스트리밍 앱 사용 궤적 벤치마크를 구축했다. 분산된 증거 문제를 해결하기 위해, 시간이 지남에 따라 개체 중심 상호작용을 적응적으로 통합하는 자기 진화 컨텍스트 관리자를 도입하여 부분 관측에서 시계열적 증거를 보다 효과적으로 재구성할 수 있게 했다. 잠재적인 초기 단계 신호에 대한 민감도를 높이기 위해, 스킬별로 요약된 안티스캠 반성 및 단서를 조건으로 하는 교사 모델이 이러한 반성에 접근할 수 없는 학생 모델을 감독하는 온-폴리시 자기 증류 기법을 제안한다. 이 기법은 증거 기반 지식을 증류하여 부분 궤적에서 새로운 사기 패턴을 인식하는 능력을 향상시킨다. 실험 결과, ORACLE은 초기 사기 예측을 일관되게 개선하여 현실적인 스트리밍 시나리오에서 적시에 경고를 제공하면서 오경보를 감소시킨다.

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.