ORACLE: Прогнозирование мошенничества на основе частичных траекторий использования потоковых приложений

Аннотация

Смартфонное мошенничество становится все более распространенным и обычно проявляется в виде многоэтапных процессов, охватывающих несколько приложений, с постепенно выявляющимся намерением. Таким образом, эффективное вмешательство требует прогнозирования мошенничества до того, как намерение станет явным. Это само по себе сложно, так как решения должны основываться на частичных траекториях с распределенными во времени уликами. В данной статье мы предлагаем ORACLE (Online Reasoning for Anticipating Cross-temporal Latent thrEats) — первую агентную структуру для раннего прогнозирования мошенничества на основе потоковых траекторий использования приложений. Для поддержки этого сценария мы подготовили реальный долгосрочный бенчмарк потоковых траекторий использования приложений, охватывающий 12 типов мошенничества, простирающийся на длительные периоды (в среднем 15 дней), включающий разнообразные приложения (95 приложений) и перемежающий нормальное и мошенническое поведение. Для решения проблемы фрагментированных улик мы вводим саморазвивающийся менеджер контекста, который адаптивно консолидирует взаимодействия, ориентированные на сущности, с течением времени, что позволяет более эффективно восстанавливать кросс-временные улики из частичных наблюдений. Для повышения чувствительности к скрытым сигналам на ранних стадиях мы предлагаем схему самодистилляции на политике, в которой модель-учитель, основанная на обобщенных антимошеннических размышлениях и подсказках по навыкам, контролирует модель-ученик, не имеющую доступа к таким размышлениям. Эта схема, таким образом, дистиллирует знания, подкрепленные уликами, и улучшает распознавание возникающих схем мошенничества на основе частичных траекторий. Эксперименты показывают, что ORACLE последовательно улучшает раннее прогнозирование мошенничества, обеспечивая своевременные предупреждения при снижении числа ложных срабатываний в реалистичных потоковых сценариях.

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.