論文の概要: TeleAntiFraud 2.0: A Refreshable, Profile-Grounded, and Audio-Based Benchmark for Telecom Fraud Detection

• arxiv url: http://arxiv.org/abs/2609.18748v2
• Date: Thu, 17 Sep 2026 15:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.853745
• Title: TeleAntiFraud 2.0: A Refreshable, Profile-Grounded, and Audio-Based Benchmark for Telecom Fraud Detection
• Title（参考訳）: TeleAntiFraud 2.0:Telecom Fraud検出のための更新可能、プロファイル付き、オーディオベースのベンチマーク
• Abstract要約: テレコム詐欺スクリプトは急速に進化し、日常的なサービス会話に似たように設計されている。 ベンチマークは、以前に確立されたテストセットを上書きすることなく、新しく観察された詐欺パターンを組み込まなければならない。 本稿では,Mixed-Tree Anti-Fraud Generation Pipelineで構築したTeleAntiFraud 2.0について述べる。
• 参考スコア（独自算出の注目度）: 55.35119005976305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telecom fraud scripts evolve rapidly and are often designed to resemble routine service conversations, creating two key requirements for audio-based telecom-fraud evaluation. First, benchmarks must incorporate newly observed scam patterns without overwriting previously established test sets. Second, they must distinguish fraud from lawful, near-domain calls rather than relying on topic-separated negative examples. We present TeleAntiFraud 2.0, constructed with our Mixed-Tree Anti-Fraud Generation Pipeline and evaluated under a monthly frozen evaluation protocol. The pipeline transforms online fraud-case abstracts into profile-grounded scenarios, expands them through mixed-tree generation, realizes fraud and non-fraud dialogue paths under shared contexts, renders validated dialogues as role-matched speech, and freezes the resulting audio, labels, prompts, manifests, and provenance records for each monthly evaluation set. Each frozen set contains 900 Chinese calls, comprising 600 fraud and 300 near-domain non-fraud cases. Controlled text experiments show that three classifiers achieve perfect macro-averaged F1 (Macro-F1) when evaluated against unrelated or ordinary negatives, but drop to 0.65-0.68 with near-domain sibling negatives. Full-set audio and automatic-speech-recognition plus large-language-model (ASR+LLM) evaluations further reveal class-prior shortcuts, prediction collapse, and snapshot sensitivity. Together, these findings establish near-domain construction and collapse-aware reporting as core requirements for evaluating audio-based telecom-fraud models under realistic confusable conditions. The accompanying research artifact includes the construction code, evaluation scripts, manifests, and documentation. Our dataset and code are available at https://anonymous.4open.science/r/TeleAntiFraud-2_0-EEB2/.
• Abstract（参考訳）: テレコム詐欺スクリプトは急速に進化し、しばしば通常のサービス会話に類似するように設計され、オーディオベースのテレコム詐欺評価の2つの重要な要件を生み出している。 まず、ベンチマークは、以前に確立されたテストセットを上書きすることなく、新しく観察された詐欺パターンを組み込まなければならない。 第二に、不正行為は、トピック分離された否定的な例に頼るのではなく、合法的、準ドメイン呼び出しと区別しなければならない。 本稿では,Mixed-Tree Anti-Fraud Generation Pipelineで構築したTeleAntiFraud 2.0について,月次凍結評価プロトコルで評価する。 このパイプラインは、オンラインの不正ケース抽象化をプロファイル付きシナリオに変換し、混合ツリー生成を通じて拡張し、共有コンテキスト下で詐欺や非詐欺的な対話パスを実現し、検証済みの対話をロールマッチングされたスピーチとしてレンダリングし、その結果のオーディオ、ラベル、プロンプト、マニフェスト、および各月評価セットの証明レコードを凍結する。 フリーズセットには900件の中国からの通話があり、600件の詐欺と300件近くの非詐欺事件が含まれている。 制御されたテキスト実験により、3つの分類器が無関係または通常の負に対して評価すると、完全マクロ平均F1(Macro-F1)を得るが、0.65-0.68に減少する。 フルセット音声と自動音声認識と大言語モデル(ASR+LLM)の評価により、クラス優先のショートカット、予測崩壊、スナップショット感度がさらに明らかになった。 これらの知見は, 現実的な難易度条件下での音声ベースのテレコム・フルートモデル評価のコア要件として, 近接ドメイン構築と崩壊認識レポートを確立した。 付随する研究成果物には、構築コード、評価スクリプト、マニフェスト、ドキュメントが含まれる。 私たちのデータセットとコードはhttps://anonymous.4open.science/r/TeleAntiFraud-2_0-EEB2/で公開されています。

関連論文リスト

• FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection [51.835490676337564]
  大規模な音声言語モデルは、音声を直接処理し、詐欺関連の証拠を推論することで、反詐欺検出の可能性を示してきた。 既存の微調整とプロンプトベースのアプローチは、通常、タスクの知識、制約、決定ルールをモデルパラメータや手動で保守されたプロンプトにエンコードする。 本稿では,FRAUDSkillを提案する。FRAUDSkillは,プログラムの外部レイヤ,ルート固有のポリシー,決定ルールを最適化しながら,基礎となる音声モデルに変化を持たせる構造的フリーウェイト適応フレームワークである。
  論文  参考訳（メタデータ） (2026-09-16T14:51:37Z)
• Preserving Historical Truth: Detecting Historical Revisionism in Large Language Models [66.75310318710073]
  textttHistoricalMisinfoは45ドル(約4,400円)の国から50ドル(約5,800円)のコンテストイベントを収集したデータセットです。 実世界の利用を近似するために、一般的な通信設定を反映したプロンプトシナリオを11ドルで、各イベントをインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-19T15:05:10Z)
• 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)
• Why Speech Deepfake Detectors Won't Generalize: The Limits of Detection in an Open World [11.238970239267248]
  音声ディープフェイク検出器は、しばしばクリーンでベンチマークスタイルの条件で評価される。 しかしデプロイメントは、デバイスのシフト、サンプリング率、コーデック、環境、攻撃家族といったオープンな世界で発生します。 これにより、AIベースの検出器に対する"カバレッジ負債"が発生し、収集可能なデータよりも高速に成長するデータ盲点が生成される。
  論文  参考訳（メタデータ） (2025-09-23T20:27:04Z)
• TeleAntiFraud-28k: An Audio-Text Slow-Thinking Dataset for Telecom Fraud Detection [16.3518216479454]
  本稿では,TeleAntiFraud-28kについて紹介する。 本データセットは,(1)自動音声認識(ASR)で書き起こされた通話記録(匿名化元音声)を用いたプライバシ保存テキストトラス・サンプル生成,(2)大規模言語モデル(LLM)に基づく自己指示サンプリングによるシナリオカバレッジの拡大,の3つの戦略により構築されている。 生成されたデータセットは、厳密に処理された28,511の音声テキストペアを含み、不正推論のための詳細なアノテーションを完備している。
  論文  参考訳（メタデータ） (2025-03-31T14:06:17Z)
• DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
  コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。 本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
  論文  参考訳（メタデータ） (2020-06-10T08:20:13Z)

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。