論文の概要: Effective Interventions Against AI-Enhanced Scams

• arxiv url: http://arxiv.org/abs/2609.00806v1
• Date: Tue, 01 Sep 2026 07:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.425706
• Title: Effective Interventions Against AI-Enhanced Scams
• Title（参考訳）: AI強化詐欺に対する効果的な対策
• Authors: Kyle Fredrickson,
• Abstract要約: 詐欺は2025年に全世界で42億ドルの直接損失を計上した。 アメリカ合衆国では、2020年から2025年の間に報告された損失が400%近く増加した。 私の分析は、高価値の詐欺インフラに対する控えめな報告率でさえ、詐欺の収益性に大きな影響を及ぼす可能性を示唆している。
• 参考スコア（独自算出の注目度）: 0.8883733362171032
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In 2025, scams were responsible for an estimated $442 billion in direct losses globally. In the United States, reported losses increased by nearly 400% between 2020 and 2025. Though AI in scamming is a relatively new phenomenon, its use significantly changes the economics of scams as well as the bottlenecks in scam operations. In this paper I investigate what interventions will remain effective under this new AI-driven scamming regime. I develop a simple model of scam profits to understand how different interventions asymptotically affect scam operations. I find that three levers--reporting rate, centralization of reporting, and report accuracy--multiply in their effect on expected victims per scam channel, reducing revenue per scam channel while increasing costs. Because effects multiply, interventions affecting all three could have a significant effect on the profitability of the scam business model. My analysis suggests that even modest reporting rates against high-value scam infrastructure could have significant impacts on scam profitability.
• Abstract（参考訳）: 2025年、詐欺は全世界で42億ドルの直接損失を計上した。 アメリカ合衆国では、2020年から2025年の間に報告された損失が400%近く増加した。 詐欺におけるAIは比較的新しい現象であるが、その利用は詐欺の経済性や詐欺操作のボトルネックを大きく変えている。 本稿では,この新たなAI駆動型詐欺体制下での介入の有効性について検討する。 私は、異なる介入が詐欺行為にどのように影響するかを理解するために、詐欺利益の単純なモデルを構築します。 報告率,報告の集中化,報告精度の3つのレバーが,詐欺チャネル当たりの被害者に対する影響を多量に受け,詐欺チャネル当たりの収入を減少させ,コストを増大させる。 効果が乗じると、3つに影響を及ぼす介入は詐欺ビジネスモデルの収益性に大きな影響を及ぼす可能性がある。 私の分析は、高価値の詐欺インフラに対する控えめな報告率でさえ、詐欺の収益性に大きな影響を及ぼす可能性を示唆している。

関連論文リスト

• Dream2Reward: Transition-Alignment Reward Models from Positive Demonstrations for Robotic Manipulation [51.43645327777772]
  そこでDream2Rewardを紹介し,肯定的な実証から言語条件で成功した潜在遷移場を学習する。 観察結果が進行しているように見える場合でも、間違った方向、オーバーシューティング、停滞した動きを罰する。 オンラインとオフラインのポリシー学習全体において、同じフリーズ報酬モデルが報酬のハッキングを減らし、より強力な下流のパフォーマンスをサポートする。
  論文  参考訳（メタデータ） (2026-08-19T10:44:20Z)
• Warning labels shift perceptions of sycophantic AI, but not its influence [63.79516339973759]
  警告ラベルが梅毒の影響を緩和するかどうかを検証する。 システムをサイコファンティック(...あなたと同意し、間違っていても検証するかもしれない)としてラベル付けすることは、ユーザの認識をシフトさせる。 しかし、ユーザーの自己認識する正当性や、紛争を修復する意思に薬局が与える影響を確実に減少させるものではない。
  論文  参考訳（メタデータ） (2026-06-19T11:01:45Z)
• The Anatomy of Scam Scenarios: Large-Scale Characterization and Conversation-Aware Detection [20.874064907105893]
  我々はスカムシナリオとその関連するPTを共同で特徴付けるための大規模な実証的研究を行っている。 我々は,スカムシナリオの階層的な分類を導出するデータ駆動パイプラインを開発した。 このシナリオレベルの知識を実用的な防御に転送するために,対話型カメラシナリオ検出手法を設計する。
  論文  参考訳（メタデータ） (2026-06-14T22:54:42Z)
• 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)
• The Impact of AI Adoption on Retail Across Countries and Industries [3.14496247732912]
  本研究では、Global AI Content Impactデータセットを用いて、人工知能(AI)の採用が失業率に与える影響について検討する。 このパネルは、オーストラリア、中国、フランス、日本、英国で10の業界で200の産業年次観測で構成されている。
  論文  参考訳（メタデータ） (2025-09-19T11:32:52Z)
• 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)
• PsyScam: A Benchmark for Psychological Techniques in Real-World Scams [38.57446009573742]
  PsyScamは、現実世界の詐欺報告で使用される心理的テクニックを体系的に捉えるために設計されたベンチマークである。 PsyScamは、実世界のスキャマーが使用するPTに基づいて、スキャマーコンテンツの検出と生成において、既存のモデルに重大な課題をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-05-21T01:55:04Z)
• AI persuading AI vs AI persuading Humans: LLMs' Differential Effectiveness in Promoting Pro-Environmental Behavior [70.24245082578167]
  環境保護行動(PEB)は気候変動に対処するために不可欠であるが、意識を意図や行動に変えることはいまだ明白である。 大規模言語モデル(LLM)をPEBを促進するツールとして検討し,その影響を3,200人の参加者で比較した。 人工的およびシミュレートされたエージェントは、介入後のEBスタンスに大きく影響し、ヒトの反応はほとんど変化しない。
  論文  参考訳（メタデータ） (2025-03-03T21:40:55Z)
• Tell, don't show: Declarative facts influence how LLMs generalize [61.664804022944104]
  大規模言語モデルが学習データにおける抽象的宣言文からどのように一般化するかを検討する。 宣言文$S$の微調整は、$S$の論理結果のモデル可能性を高める。 宣言的ステートメントの効果は、AIアシスタントの整列、天気予報、人口統計学的特徴の予測という3つの領域で一致している。
  論文  参考訳（メタデータ） (2023-12-12T22:47:42Z)
• A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
  本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。 以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-01T05:12:22Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)

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。