跳到主要内容
检索

# 欺诈检测

2 篇关联报道

订阅更新
  1. arXiv

    Evi-VN 通过虚拟类节点向 GNN 共同困难区域注入多模态证据,在 MGTAB 上把 13 个骨干的平均准确率提升 6.77 个百分点

    Evi-VN 是一个即插即用的增强框架:它用多骨干折外预测识别 GNN 共同困难区域,训练路由器从特征隔离的多模态证据链中挑出可能困难的节点,再由一对虚拟类节点以仅指向真实节点的有向边注入校准后的类别先验,从而在不改动原 GNN 输入结构的前提下提升检测效果。在 MGTAB 上,它对 13 个骨干的平均准确率/F1/AUC 比仅骨干提升 6.77/10.58/5.61 个百分点,并超过 logit 融合 1.10/1.27/0.74 个百分点。

  2. arXiv

    Argo-Bench 用 235 张表、75 亿行的模拟外卖仓库考核数据智能体,最强模型仅解出 34.8% 任务

    研究者构建了 Argo-Bench:把 2024 年纽约市外卖平台模拟成一个 235 张表、74.9 亿行、按 Oracle E-Business Suite 模式导出的企业仓库,并让智能体通过提交封禁账号、分配激励预算、提交预测等“行动”接受评分,评分依据模拟器的隐藏真实状态;14 个前沿与开源模型中最强的 Claude Opus 5.5 仅解出 34.8% 的任务、平均 59.5 分。

已读完全部报道