增强数字支付的信任与安全：一种基于 LLM 的方法
密码学与安全
2025-03-25 v1 人工智能
计算工程、金融与科学
机器学习
摘要
数字支付系统彻底改变了金融交易，为全球用户提供了无与伦比的便利性和可及性。然而，这些平台日益普及也吸引了恶意行为者试图利用其漏洞谋取经济利益。为了应对这一挑战，稳健且适应性强的诈骗检测机制对于维护数字支付生态系统的信任与安全至关重要。本文提出了一种全面的诈骗检测方法，重点关注印度的统一支付接口（UPI），并以 Google Pay（GPay）为具体用例。该方法利用大语言模型（LLMs）来提高诈骗分类的准确性，并设计了一个数字助手来辅助人工审核员识别和缓解欺诈活动。结果展示了 LLMs 在增强现有机器学习模型以及提高诈骗审查的效率、准确性、质量和一致性方面的潜力，最终有助于构建更安全、更有保障的数字支付环境。我们对 Gemini Ultra 模型在精选交易数据上的评估显示，诈骗分类准确率达到 93.33%。此外，该模型在生成这些分类的推理依据方面达到了 89% 的准确率。一个令人鼓舞的事实是，该模型识别出了 32% 的新准确理由，用于解释疑似诈骗，而这些理由是人工审核员此前未包含在审查记录中的。
引用
@article{arxiv.2410.19845,
title = {Enhancing Trust and Safety in Digital Payments: An LLM-Powered Approach},
author = {Devendra Dahiphale and Naveen Madiraju and Justin Lin and Rutvik Karve and Monu Agrawal and Anant Modwal and Ramanan Balakrishnan and Shanay Shah and Govind Kaushal and Priya Mandawat and Prakash Hariramani and Arif Merchant},
journal= {arXiv preprint arXiv:2410.19845},
year = {2025}
}
备注
10 pages, 7 figures