論文の概要: SHERLOCK: Towards Dynamic Knowledge Adaptation in LLM-enhanced E-commerce Risk Management

• arxiv url: http://arxiv.org/abs/2510.08948v1
• Date: Fri, 10 Oct 2025 02:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 04:53:46.917737
• Title: SHERLOCK: Towards Dynamic Knowledge Adaptation in LLM-enhanced E-commerce Risk Management
• Title（参考訳）: SHERLOCK:LLM強化Eコマースリスクマネジメントにおける動的知識適応に向けて
• Authors: Nan Lu, Yurong Hu, Jiaquan Fang, Yan Liu, Rui Dong, Yiming Wang, Rui Lin, Shaoyi Xu,
• Abstract要約: 電子商取引業界の成長は、シャドーエコノミーアクターとリスクマネジメントチームとの対立のダイナミクスを強めている。 ケース分析の膨大な量は、リスク管理アナリストにかなりの負荷を課します。 本稿では,大規模言語モデル(LLM)の推論機能を活用し,リスク調査におけるアナリストの支援を行うSHERLOCKフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.255396179168974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growth of the e-commerce industry has intensified the adversarial dynamics between shadow economy actors and risk management teams. Companies often conduct risk investigations into suspicious cases to identify emerging fraud patterns, thereby enhancing both preemptive risk prevention and post-hoc governance. However, the sheer volume of case analyses imposes a substantial workload on risk management analysts, as each case requires the integration of long-term expert experience and meticulous scrutiny across multiple risk dimensions. Additionally, individual disparities among analysts hinder the establishment of uniform and high-standard workflows. To address these challenges, we propose the SHERLOCK framework, which leverages the reasoning capabilities of large language models (LLMs) to assist analysts in risk investigations. Our approach consists of three primary components: (1) extracting risk management knowledge from multi-modal data and constructing a domain knowledge base (KB), (2) building an intelligent platform guided by the data flywheel paradigm that integrates daily operations, expert annotations, and model evaluations, with iteratively fine-tuning for preference alignment, and (3) introducing a Reflect & Refine (R&R) module that collaborates with the domain KB to establish a rapid response mechanism for evolving risk patterns. Experiments conducted on the real-world transaction dataset from JD.com demonstrate that our method significantly improves the precision of both factual alignment and risk localization within the LLM analysis results. Deployment of the SHERLOCK-based LLM system on JD.com has substantially enhanced the efficiency of case investigation workflows for risk managers.
• Abstract（参考訳）: 電子商取引業界の成長は、シャドーエコノミーアクターとリスクマネジメントチームとの対立のダイナミクスを強めている。 企業が不審な事件のリスク調査を行い、新たな詐欺パターンを特定し、プリエンプティブ・リスク予防とポストホック・ガバナンスの双方を強化することも多い。 しかし、ケース分析の膨大な量は、リスク管理アナリストにかなりの負荷を課し、それぞれのケースには、長期的な専門家の経験と、複数のリスク次元にわたる慎重に精査する必要がある。 さらに、アナリスト間の個人差は、一様かつ高水準なワークフローの確立を妨げる。 これらの課題に対処するために,大規模言語モデル(LLM)の推論機能を活用し,リスク調査におけるアナリストの支援を行うSHERLOCKフレームワークを提案する。 提案手法は,(1)マルチモーダルデータからリスク管理知識を抽出し,ドメイン知識ベース(KB)を構築すること,(2)日々の操作,エキスパートアノテーション,モデル評価を統合したインテリジェントプラットフォームを構築すること,(3)ドメインKBと連携してリスクパターンを進化させるリフレクション・アンド・リファイン(R&R)モジュールを導入すること,の3つの主要コンポーネントから構成される。 JD.comによる実世界のトランザクションデータセットを用いて行った実験により,本手法はLCM解析結果における現実のアライメントとリスクローカライゼーションの両方の精度を大幅に向上することを示した。 JD.com 上での SHERLOCK ベースの LLM システムの展開は,リスクマネージャのための事例調査ワークフローの効率を大幅に向上させた。

関連論文リスト

• RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
  大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。 リスク概念空間を再構築する理論的枠組みを導入する。 マルチエージェント協調評価フレームワークRADARを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:35:32Z)
• Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
  MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。 分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。 私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
  論文  参考訳（メタデータ） (2025-08-21T09:00:01Z)
• Adapting Probabilistic Risk Assessment for AI [0.0]
  汎用人工知能(AI)システムは、緊急リスク管理の課題を示す。 現在の手法は、しばしば選択的なテストとリスク優先順位に関する未文書の仮定に依存します。 本稿では,AIフレームワークの確率的リスクアセスメント(PRA)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T17:59:14Z)
• Multi-Agent Risks from Advanced AI [90.74347101431474]
  先進的なAIのマルチエージェントシステムは、新規で未発見のリスクを生じさせる。 エージェントのインセンティブに基づく3つの重要な障害モードと7つの重要なリスク要因を同定する。 各リスクのいくつかの重要な事例と、それらを緩和するための有望な方向性を強調します。
  論文  参考訳（メタデータ） (2025-02-19T23:03:21Z)
• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• Beyond Words: On Large Language Models Actionability in Mission-Critical Risk Analysis [7.098487130130114]
  リスク分析の原則はコンテキストレスです。 リスク分析には、国内外の規制や基準に関する膨大な知識が必要である。 大規模な言語モデルは、人間よりも少ない時間で情報を素早く要約することができ、特定のタスクに微調整することができる。
  論文  参考訳（メタデータ） (2024-06-11T19:20:27Z)
• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• RiskQ: Risk-sensitive Multi-Agent Reinforcement Learning Value Factorization [49.26510528455664]
  本稿では,リスクに敏感な個人・グローバル・マックス(RIGM)の原則を,個人・グローバル・マックス(IGM)と分散IGM(DIGM)の原則の一般化として紹介する。 RiskQは広範な実験によって有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-03T07:18:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。