TeleAntiFraud-28k: Een Audio-Tekst Langzaam-Denken Dataset voor Telecomfraude Detectie

TeleAntiFraud-28k: A Audio-Text Slow-Thinking Dataset for Telecom Fraud Detection

March 31, 2025

Auteurs: Zhiming Ma, Peidong Wang, Minhua Huang, Jingpeng Wang, Kai Wu, Xiangzhao Lv, Yachun Pang, Yin Yang, Wenjie Tang, Yuchen Kang

cs.AI

Samenvatting

De detectie van telecomfraude wordt geconfronteerd met aanzienlijke uitdagingen vanwege het gebrek aan hoogwaardige multimodale trainingsgegevens die audiosignalen integreren met redeneringsgerichte tekstuele analyse. Om deze kloof te overbruggen, presenteren we TeleAntiFraud-28k, de eerste open-source audio-tekst slow-thinking dataset die specifiek is ontworpen voor geautomatiseerde telecomfraudeanalyse. Onze dataset is opgebouwd via drie strategieën: (1) Privacy-beschermde tekst-waarheid samplegeneratie met behulp van automatische spraakherkenning (ASR)-getranscribeerde gespreksopnames (met geanonimiseerde originele audio), waarbij real-world consistentie wordt gewaarborgd door tekst-naar-spraak (TTS) modelregeneratie; (2) Semantische verbetering via zelf-instructie sampling op basis van grote taalmodellen (LLM) op authentieke ASR-uitvoer om de scenario-dekking uit te breiden; (3) Multi-agent adversariële synthese die opkomende fraudetactieken simuleert via vooraf gedefinieerde communicatiescenario's en fraudetypologieën. De gegenereerde dataset bevat 28.511 rigoureus verwerkte spraak-tekst paren, compleet met gedetailleerde annotaties voor frauderedenering. De dataset is verdeeld in drie taken: scenario-classificatie, fraudedetectie en fraudetype-classificatie. Verder construeren we TeleAntiFraud-Bench, een gestandaardiseerd evaluatiebenchmark bestaande uit proportioneel bemonsterde instanties uit de dataset, om systematische tests van modelprestaties op telecomfraudedetectietaken te vergemakkelijken. We dragen ook een productie-geoptimaliseerd supervised fine-tuning (SFT) model bij, getraind op hybride reële/synthetische gegevens, terwijl we het gegevensverwerkingsframework open source maken om gemeenschapsgedreven datasetuitbreiding mogelijk te maken. Dit werk legt een fundamenteel kader voor multimodale antifraudeonderzoek en adresseert kritieke uitdagingen op het gebied van gegevensprivacy en scenario-diversiteit. Het project zal worden vrijgegeven op https://github.com/JimmyMa99/TeleAntiFraud.

English

The detection of telecom fraud faces significant challenges due to the lack of high-quality multimodal training data that integrates audio signals with reasoning-oriented textual analysis. To address this gap, we present TeleAntiFraud-28k, the first open-source audio-text slow-thinking dataset specifically designed for automated telecom fraud analysis. Our dataset is constructed through three strategies: (1) Privacy-preserved text-truth sample generation using automatically speech recognition (ASR)-transcribed call recordings (with anonymized original audio), ensuring real-world consistency through text-to-speech (TTS) model regeneration; (2) Semantic enhancement via large language model (LLM)-based self-instruction sampling on authentic ASR outputs to expand scenario coverage; (3) Multi-agent adversarial synthesis that simulates emerging fraud tactics through predefined communication scenarios and fraud typologies. The generated dataset contains 28,511 rigorously processed speech-text pairs, complete with detailed annotations for fraud reasoning. The dataset is divided into three tasks: scenario classification, fraud detection, fraud type classification. Furthermore, we construct TeleAntiFraud-Bench, a standardized evaluation benchmark comprising proportionally sampled instances from the dataset, to facilitate systematic testing of model performance on telecom fraud detection tasks. We also contribute a production-optimized supervised fine-tuning (SFT) model trained on hybrid real/synthetic data, while open-sourcing the data processing framework to enable community-driven dataset expansion. This work establishes a foundational framework for multimodal anti-fraud research while addressing critical challenges in data privacy and scenario diversity. The project will be released at https://github.com/JimmyMa99/TeleAntiFraud.