論文の概要: FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection

• arxiv url: http://arxiv.org/abs/2609.18766v3
• Date: Wed, 23 Sep 2026 06:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.638267
• Title: FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection
• Title（参考訳）: FRAUDSkill: オーディオアンチファンド検出のための構造化凍結重量スキル最適化
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.835490676337564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large audio-language models have shown promise for anti-fraud detection by directly processing speech and reasoning over fraud-related evidence. Their deployment, however, requires predictions to follow a predefined label space and a structured decision protocol consisting of service-scenario identification, fraud detection, and conditional fraud-type classification. Existing fine-tuning and prompt-based approaches typically encode task knowledge, constraints, and decision rules into model parameters or manually maintained prompts, making them difficult to adapt as fraud patterns and labeling policies evolve. To this end, we propose FRAUDSkill, a structured frozen-weight adaptation framework that leaves the underlying audio-language model unchanged while optimizing an external layer of skill programs, route-specific policies, and decision rules. We further combine structured output control with validation-guided multi-path inference to ensure protocol-compliant predictions. On the TeleAntiFraud benchmark, FRAUDSkill achieves 73.50% Macro-F1, outperforming the shared frozen-model baseline by 31.96% while reducing invalid outputs to 1.94%. Extensive experiments demonstrate that external skill optimization provides an effective and adaptable solution for structured audio anti-fraud detection without modifying the underlying model. The source code is available at https://anonymous.4open.science/r/FRAUDSKILL-114514.
• Abstract（参考訳）: 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。 しかし、それらの展開には、事前に定義されたラベル空間と、サービス・シナリオ識別、不正検出、条件付き不正型分類からなる構造化された決定プロトコルに従う必要がある。 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作業によるプロンプトにエンコードする。 そこで本研究では,FRAUDSkillを提案する。FRAUDSkillは,プログラムの外部層,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付きフリーウェイト適応フレームワークである。 さらに、構造化された出力制御と検証誘導型マルチパス推論を組み合わせることにより、プロトコル準拠の予測を保証する。 TeleAntiFraudベンチマークでは、FRAUDSkillが73.50%のMacro-F1を達成した。 大規模な実験により、外的スキル最適化は、基礎となるモデルを変更することなく、構造化音声のアンチファンド検出に効果的で適応可能なソリューションを提供することが示された。 ソースコードはhttps://anonymous.4open.science/r/FRAUDSKILL-114514で公開されている。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Adaptive Conformal Prediction for Improving Factuality of Generations by Large Language Models [86.8650252164764]
  大規模言語モデル(LLM)は、事実的に誤った出力を生成する傾向にある。 本研究では,LLMへのコンフォメーションスコア変換法を拡張する適応型コンフォメーション予測手法を提案する。 これにより、アクシデントに依存したキャリブレーションが可能となり、条件付きカバレッジを改善しながら、限界範囲のカバレッジ保証が維持される。
  論文  参考訳（メタデータ） (2026-04-15T15:35:42Z)
• Towards Verifiable AI with Lightweight Cryptographic Proofs of Inference [3.3323431541048385]
  完全証明を軽量なサンプリングベースアプローチで置き換える検証フレームワークとプロトコルを提案する。 我々は,機能的に異なるモデル間のトレース分離を活用可能な条件を定式化し,検証可能な推論プロトコルの安全性について議論する。 我々の手法は、最先端の暗号証明システムと比較して、証明時間を桁違いに削減する。
  論文  参考訳（メタデータ） (2026-03-19T15:24:27Z)
• Efficient Adaptive Rejection Sampling for Accelerating Speculative Decoding in Large Language Models [2.4065240342323384]
  本稿では, 適応型リジェクションサンプリング(EARS)について紹介する。 EARSは、ターゲットモデルの予測不確かさを1-max(P_target)として組み込むことで、受入閾値を動的に調整する。 投機的復号化の効率を大幅に向上させ、18.12%のスループット向上を実現し、GSM8Kベンチマークでは0.84%の精度低下を無視できる。
  論文  参考訳（メタデータ） (2025-12-15T11:08:56Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• COPU: Conformal Prediction for Uncertainty Quantification in Natural Language Generation [14.461333001997449]
  大規模言語モデル(LLM)の性能評価には,自然言語生成のための不確実性定量化(UQ)が不可欠である。 提案手法は,候補出力に基底真理を明示的に付加し,ロジットスコアを用いて非整合性を測定する手法である。
  論文  参考訳（メタデータ） (2025-02-18T07:25:12Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)

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。