論文の概要: ORACLE: Anticipating Scams from Partial Trajectories in Streaming App Usage
- arxiv url: http://arxiv.org/abs/2605.16363v1
- Date: Sat, 09 May 2026 16:26:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.294237
- Title: ORACLE: Anticipating Scams from Partial Trajectories in Streaming App Usage
- Title（参考訳）: ORACLE:ストリーミングアプリ利用における部分的軌跡からの詐欺予測
- Abstract要約: スマートフォンのスカムはますます普及し、多段階のクロスアプリケーションプロセスとして一般的に現れている。
時空間ラテンテンテアット予測のためのtextbfORACLE Online Reasoning を提案する。
- 参考スコア（独自算出の注目度）: 27.91201514467414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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 \textbf{ORACLE} Online Reasoning for Anticipating Cross-temporal Latent thrEats, the first agentic framework for early scam anticipation from \textit{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 \method{} consistently improves early scam anticipation, yielding timely warnings while reducing false alerts in realistic streaming scenarios.
- Abstract（参考訳）: スマートフォンの詐欺はますます普及し、一般的には多段階のクロスアプリケーションプロセスとして現れ、徐々に意図が増している。
したがって効果的な介入には、意図が明確になる前に詐欺を予想する必要がある。
決定は時間的に分散された証拠を伴う部分的軌道に依存しなければならないため、これは本質的に難しい。
本稿では,<textit{streaming app-usage} トラジェクトリから早期詐欺を予測するための最初のエージェントフレームワークである,時間的レイトレントthrEatsを予測するためのオンライン推論を提案する。
この設定をサポートするために、私たちは、12種類のスカムタイプをカバーする、12のスカムタイプ(平均15日)をカバーし、多様なアプリケーション(95のアプリ)を巻き込み、正常および詐欺行為をインターリーブする、現実世界のロングホライゾンベンチマークをキュレートした。
断片化された証拠に対処するために、時間とともにエンティティ中心の相互作用を適応的に統合し、部分的な観察から時間横断的な証拠をより効果的に再構築する自己進化型コンテキストマネージャを導入する。
そこで本稿では, 教師モデルに対して, 教師モデルに要約した反詐欺リフレクションと, スキルによるヒントを付与し, 学生モデルにそのようなリフレクションを使わずに監督する自己蒸留方式を提案する。
これにより、証拠情報に基づく知識を蒸留し、部分的軌跡から出現する不正パターンの認識を改善する。
実験によると、‘method{}’は早期の詐欺予測を継続的に改善し、リアルタイムストリーミングシナリオにおける誤警報を減らし、タイムリーな警告を与える。
関連論文リスト
- Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning [2.66348673166416]
本稿では,大規模レコメンデーションシステムにおいて,長期ユーザ価値を最適化するための統一的,モデルに依存しないダウンストリーム報酬フレームワークを提案する。
複数のソースで観測されたユーザ行動パターンから得られたモデルに依存しないダウンストリーム報酬信号を提案する。
オンラインA/B実験は、エンゲージメントと保持関連メトリクスの一貫性のある改善を示している。
論文 参考訳（メタデータ） (2026-07-15T16:17:58Z) - Reflect-R1: Evidence-Driven Reflection for Self-Correction in Long Video Understanding [37.607009528052565]
この研究は、長いビデオ理解のための最初のEvidence-Driven Self-correctionフレームワークであるReflect-R1を提案する。
このフレームワークは直感、検証、調停からなる3段階のパイプラインを構成する。
本手法は真正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正
論文 参考訳（メタデータ） (2026-06-26T10:15:36Z) - PreScam: A Benchmark for Predicting Scam Progression from Early Conversations [22.864427809364397]
初期の会話から詐欺進行をモデル化するためのベンチマークであるPreScamを紹介する。
リアルタイム終端予測とスキャマー動作予測という2つのタスクのモデルをベンチマークする。
その結果, 表面流速と進行モデルの間には明確なギャップが認められた。
論文 参考訳（メタデータ） (2026-05-12T15:11:41Z) - Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
Referring-Aware Visuomotor Policy(ReV)について紹介する。
ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。
これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
論文 参考訳（メタデータ） (2026-04-07T07:41:11Z) - SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting [53.74101174559609]
本稿では,進化するシーンに特化して焦点をあてた,ストリーミングベースの新たな動き予測フレームワークを提案する。
本手法は,入ってくる観測ウィンドウを段階的に処理し,インスタンス対応コンテキストストリーミングを利用して潜時エージェント表現の維持と更新を行う。
我々のモデルは,Argoverse 2マルチエージェントベンチマークのストリーミング推論における最先端性能を実現し,遅延を最小限に抑えながら,実世界の展開に適していることを強調した。
論文 参考訳（メタデータ） (2026-03-30T06:47:19Z) - Self-Consolidation for Self-Evolving Agents [51.94826934403236]
大規模言語モデル(LLM)エージェントは静的システムとして機能し、生涯にわたる相互作用を通じて進化する能力に欠ける。
相補的進化機構を導入したLLMエージェントのための新しい自己進化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-02T11:16:07Z) - End-to-End Training for Autoregressive Video Diffusion via Self-Resampling [63.84672807009907]
自己回帰ビデオ拡散モデルは、世界シミュレーションの可能性を保っているが、列車テストミスマッチに起因する露出バイアスに弱い。
教師なしのフレームワークであるResampling Forcingを導入し、スクラッチから大規模まで自動回帰ビデオモデルのトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-12-17T18:53:29Z) - Contrastive Learning for Continuous Touch-Based Authentication [6.5894762902301744]
非破壊的な方法で連続的な認証を行うための一貫したコントラスト学習フレームワークを提案する。
具体的には、時間的マスクオートエンコーダを用いて、生のマルチセンサデータストリームから時間的パターンを抽出する。
弊社の手法は最先端の手法より優れており,モバイルデバイス上でのユーザ認証の信頼性と効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-04-24T05:58:12Z) - "It Warned Me Just at the Right Moment": Exploring LLM-based Real-time Detection of Phone Scams [21.992539308179126]
本稿では,スカムコールをモデル化するフレームワークを提案し,LLMに基づくリアルタイム検出手法を提案する。
提案手法の性能評価と,その有効性に影響を及ぼす要因の解析を行った。
論文 参考訳（メタデータ） (2025-02-06T10:57:05Z) - Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳（メタデータ） (2024-03-20T02:58:45Z) - Sim-to-Real Causal Transfer: A Metric Learning Approach to Causally-Aware Interaction Representations [58.96953392466609]
エージェント相互作用の現代的表現の因果認識を詳細に検討する。
近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。
本稿では,因果アノテーションを用いて潜在表現を規則化するメトリクス学習手法を提案する。
論文 参考訳（メタデータ） (2023-12-07T18:57:03Z)
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。