ORACLE: Anticiperen op scams vanuit partiële trajecten in streaming-appgebruik

Samenvatting

Smartphone-oplichting komt steeds vaker voor en manifesteert zich doorgaans als meerfasige, cross-applicatie processen met een geleidelijk opkomende bedoeling. Effectieve interventie vereist daarom het anticiperen op oplichting voordat de bedoeling expliciet wordt. Dit is inherent uitdagend, omdat beslissingen moeten worden genomen op basis van gedeeltelijke trajecten met temporeel verspreid bewijs. In dit artikel introduceren wij ORACLE (Online Redeneren voor het Anticiperen van Cross-temporele Latente Dreigingen), het eerste agentische raamwerk voor vroege anticipatie op oplichting op basis van streamende app-gebruikstrajecten. Om deze setting te ondersteunen, stellen wij een realistische langetermijnbenchmark samen van streamende app-gebruikstrajecten, die 12 oplichtingstypen omvat, zich over langere perioden uitstrekt (gemiddeld 15 dagen), diverse applicaties (95 apps) beslaat en normaal gedrag en oplichtingsgedrag door elkaar laat lopen. Om gefragmenteerd bewijs aan te pakken, introduceren wij een zelf-evoluerende contextbeheerder die entiteitsgerichte interacties in de loop van de tijd adaptief consolideert, waardoor een effectievere reconstructie van cross-temporeel bewijs uit gedeeltelijke waarnemingen mogelijk wordt. Om de gevoeligheid voor latente vroege signalen te vergroten, stellen wij een on-policy zelfdestillatie schema voor waarbij een leraarmodel, geconditioneerd op samengevatte anti-oplichtingsreflecties en aanwijzingen per vaardigheid, een studentmodel begeleidt zonder toegang tot dergelijke reflecties. Dit schema destilleert zo kennis geïnformeerd door bewijs en verbetert de herkenning van opkomende fraudepatronen uit gedeeltelijke trajecten. Experimenten tonen aan dat ORACLE consistent de vroege anticipatie op oplichting verbetert, resulterend in tijdige waarschuwingen terwijl valse meldingen worden verminderd in realistische streamingscenario's.

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.