Traceable LLM Reasoning for Fake-Order Fraud Detection
작성자
카테고리
Empty
저자
Siqi You, Bingsong Xu, Zhixian Zheng, Xinjian Peng, Yang Xie, Ying Wang, Jiarong Xu
💡 개요
본 논문은 대규모 온라인-오프라인(O2O) 서비스 플랫폼에서 발생하는 허위 주문 사기를 탐지하기 위한 새로운 접근법인 DeepScrub을 제안한다. DeepScrub은 LLM 기반 강화학습 프레임워크를 활용하여 이질적인 위험 신호를 텍스트 설명으로 변환하고, 도메인 지식을 주입하여 예측 정확성과 추론 품질을 함께 평가하며, 전문가 피드백과 모델 자체 검사를 통해 추론 경로를 개선한다. 이를 통해 기존 방식의 한계를 극복하고 추적 가능한 추론 과정을 제공한다.
🔑 시사점 및 한계
•
LLM을 활용하여 허위 주문 사기 탐지에서 이질적인 위험 신호를 통합하고, 해석 가능한 추론 과정을 제공함으로써 기존의 블랙박스 방식 대비 투명성과 신뢰성을 향상시킨다.
•
도메인 특화된 사전 학습과 강화 학습을 통해 모델 규모보다 도메인 적응성이 허위 주문 사기 탐지 성능에 더 큰 영향을 미칠 수 있음을 입증한다.
•
실제 서비스 환경에서의 실험을 통해 DeepScrub이 탐지 정확도를 높이고, 1단계 수동 검토 부담을 획기적으로 줄이며, 상당한 비용 절감 효과를 가져올 수 있음을 보여준다.
•
(한계점 또는 향후 과제) 제안된 SURE 메커니즘의 일반화 가능성 및 복잡한 사기 패턴에 대한 LLM 추론의 견고성 강화, 그리고 실시간 탐지 시스템에서의 효율성 최적화 연구가 필요하다.
