論文の概要: An LLM-based Chain-of-Response Counter-Scam System
- arxiv url: http://arxiv.org/abs/2606.01475v1
- Date: Sun, 31 May 2026 22:29:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.724139
- Title: An LLM-based Chain-of-Response Counter-Scam System
- Title（参考訳）: LLMを用いた応答型カウンタ・カメラシステム
- Authors: Heedou Kim, Mogan Gim, Donghee Choi, Hoonick Lee, Soonil Bae, Mi-Young Kim, Jaewoo Kang,
- Abstract要約: 本稿では,初期検出から犯罪調査まで,エンド・ツー・エンドの応答を編成するLLMベースの統合型マルチエージェントフレームワークを提案する。
このシステムは、マルチエージェント緩和のためのCSRA、9つの役割整列NLPタスクからなるCSRT、および185,300件の詐欺事件と38,587件の知識エントリからなるCSRDを統合している。
実験の結果、細調整されたsLLMはすべてのCSRTタスクを10%以上上回り、詐欺特定NERの0.24 F1の改善が達成された。
- 参考スコア（独自算出の注目度）: 14.465528504283078
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid evolution of online scams, driven by transnational networks and mass produced social engineering scenarios, has exposed the speed limitations of conventional detection, necessitating tighter interagency coordination. While LLMs show promise in scam identification, their role in accelerating integrated response frameworks remains underexplored. We propose Counter Scam, a unified LLM based multiagent framework that orchestrates end to end response from initial detection to crime investigation. The framework first proposes safe data guidelines, emphasizing nonpublic scam data and secure dataset construction via scam specific NER. Developed with insights from 37 stakeholders to reduce delays and improve analytical efficiency, the system integrates CSRA for multiagent mitigation, CSRT comprising nine role aligned NLP tasks, and CSRD, a corpus of 185,300 scam cases and 38,587 knowledge entries. Experiments show that fine tuned sLLMs surpass commercial models by more than 10% across all CSRT tasks and achieve a 0.24 F1 improvement in scam specific NER. These results demonstrate the framework's capability to enable rapid and collaborative mitigation of online scams.
- Abstract（参考訳）: オンライン詐欺の急速な進化は、国家横断ネットワークと大量生産された社会工学のシナリオによって引き起こされ、従来の検出の速度制限が露呈し、より厳密な緊急調整を必要としている。
LLMは詐欺識別において有望であるが、統合応答フレームワークの高速化における彼らの役割はいまだ解明されていない。
我々は,初期検出から犯罪調査まで,エンド・ツー・エンドの応答を編成するLDMベースの統合マルチエージェントフレームワークであるCounter Scamを提案する。
このフレームワークは、まず安全なデータガイドラインを提案し、非パブリックな詐欺データを強調し、詐欺特定NERを介して安全なデータセット構築を行う。
37人の利害関係者による遅延低減と分析効率の向上のために開発されたこのシステムは、マルチエージェント緩和のためのCSRA、9つの役割整列NLPタスクからなるCSRT、および185,300件の詐欺事件と38,587件の知識エントリからなるCSRDを統合している。
実験の結果、細調整されたsLLMはすべてのCSRTタスクを10%以上上回り、詐欺特定NERの0.24 F1の改善が達成された。
これらの結果は,オンライン詐欺の迅速かつ協調的な緩和を可能にするフレームワークの能力を示している。
関連論文リスト
- FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - LLM-Assisted Authentication and Fraud Detection [0.0]
知識に基づく認証は厳格であり、正確な単語対単語マッチングを必要とする。
不正検出パイプラインは、急速に進化する詐欺行為とペースを維持するのに苦労する。
この研究は、2つの補完的なLCM対応ソリューションを導入している。
論文 参考訳（メタデータ） (2026-01-27T15:01:37Z) - From Completion to Editing: Unlocking Context-Aware Code Infilling via Search-and-Replace Instruction Tuning [81.97788535387286]
本稿では,エージェントによる検証・編集機構を統一された単一パス推論プロセスに内部化するフレームワークを提案する。
最小限のデータで、SRI-Coderは、ChatモデルがBaseモデルの完了性能を上回ることができる。
FIMスタイルのチューニングとは異なり、SRIは一般的なコーディング能力を保持し、標準のFIMに匹敵する推論遅延を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:33:53Z) - Agentic AI Microservice Framework for Deepfake and Document Fraud Detection in KYC Pipelines [0.0]
合成メディア、プレゼンテーション攻撃、文書偽造は、Know Your Customer (KYC)に重大な脆弱性を生み出している。
本稿では,視覚モデル,ライブネスアセスメント,ディープフェイク検出,OCRベースの文書鑑定,マルチモーダルIDリンク,ポリシ駆動型リスクエンジンを統合したエージェントAIマイクロサービスフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-09T17:01:40Z) - SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning [52.29460857893198]
既存の不正検出方法は、書き起こされたテキストに依存しており、ASRのエラーや、声調や環境条件のような重要な音響的手がかりが欠けている。
音声に基づくスロー思考詐欺検出のためのエンドツーエンド包括的フレームワークSAFE-QAQを提案する。
本フレームワークは,ライブコール中に動的リスクアセスメントフレームワークを導入し,不正の早期検出と防止を可能にする。
論文 参考訳（メタデータ） (2026-01-04T06:09:07Z) - When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms [101.2197679948061]
大規模言語モデル(LLM)エージェントを用いた大規模マルチエージェントシステムにおける集団金融詐欺のリスクについて検討する。
金融詐欺シナリオをシミュレーションするための大規模ベンチマークであるMultiAgentFraudBenchを提案する。
論文 参考訳（メタデータ） (2025-11-09T16:30:44Z) - ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vulnerability Detection [43.41293570032631]
ParaVulは、スマートコントラクト脆弱性検出の信頼性と精度を向上させるための、検索強化フレームワークである。
LLM微調整のためのスパースローランド適応(SLoRA)を開発した。
脆弱性契約データセットを構築し,RAG(Retrieval-Augmented Generation)システムを開発した。
論文 参考訳（メタデータ） (2025-10-20T03:23:41Z) - Veri-R1: Toward Precise and Faithful Claim Verification via Online Reinforcement Learning [53.05161493434908]
大規模言語モデル(LLM)によるクレーム検証は、その強力な推論能力と透過的な検証プロセスのため、近年注目を集めている。
我々は、LLMが検索エンジンと対話し、その計画、検索、推論行動を明確に形作る報酬信号を受け取ることができるオンライン強化学習フレームワークであるVeri-R1を紹介した。
実験の結果、Veri-R1は最大30%の精度で関節の精度を向上し、エビデンススコアを2倍にし、より大きなモデルを上回ることが示されている。
論文 参考訳（メタデータ） (2025-10-02T11:49:48Z) - Send to which account? Evaluation of an LLM-based Scambaiting System [0.0]
本稿では,大規模言語モデル(LLM)を用いたスカンバイティングシステムの大規模実世界評価について述べる。
5ヶ月にわたるデプロイメントで、システムは実際のスキャマーと2,600以上のエンゲージメントを開始し、18,700以上のメッセージのデータセットを作成した。
情報開示率(IDR)は約32%に達し、ラバ口座などの機密情報を抽出することに成功している。
論文 参考訳（メタデータ） (2025-09-10T11:08:52Z) - Enforcing Cybersecurity Constraints for LLM-driven Robot Agents for Online Transactions [0.0]
大規模言語モデル(LLM)をオンライントランザクションを実行するための自律ロボットエージェントに統合することは、重大なサイバーセキュリティ上の課題を引き起こす。
この研究は、データ漏洩、トランザクション詐欺、システム操作に関連するリスクを軽減するために、堅牢なサイバーセキュリティの制約を強制することを目的としている。
論文 参考訳（メタデータ） (2025-03-17T01:01:10Z) - Global Challenge for Safe and Secure LLMs Track 1 [57.08717321907755]
LLM(Global Challenge for Safe and Secure Large Language Models)は、AI Singapore(AISG)とCyberSG R&D Programme Office(CRPO)が主催する先駆的イニシアチブである。
本稿では,AI Singapore(AISG)とCyberSG R&D Programme Office(CRPO)が組織した先駆的イニシアチブであるLLM(Global Challenge for Safe and Secure Large Language Models)を紹介する。
論文 参考訳（メタデータ） (2024-11-21T08:20:31Z)
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。