SAGE：LLM驱动的自反思智能体框架用于欺诈检测

摘要

支付、电子商务和电信系统中的欺诈检测需要个体层面的准确性、严重类别不平衡下的稳健性以及风险管理者的易于理解性。现有方法至少满足以下要求之一：自动化机器学习系统搜索固定的数字空间，而无需对数据集进行语义感知；基于图神经网络的方法需要预定义的关系图，并且在个人决策层面保持不透明；并且通用大语言模型（LLM）代理的设计没有考虑现实世界欺诈检测特有的召回率和精度约束。在本文中，我们提出了 SAGE，这是第一个用于欺诈检测的端到端 LLM 驱动的多代理框架。 SAGE 协调三个专用代理，这些代理基于六层数据诊断树 (DDT) 和自然语言梯度引导的马尔可夫决策过程做出决策，在针对欺诈的奖励下自动优化模型。在五个欺诈数据集和五个 LLM 主干上，SAGE 在方法数据集比较中赢得了 96.00\%$，并将 F1 比基线平均提高了 40.86\%$。代码可在 https://github.com/yichenC1c/SAGE 获取。

SAGE：LLM驱动的自反思智能体框架用于欺诈检测：论文配图 — 图 1：SAGE 框架的整体架构。 ① SAGE 以异构表格欺诈数据集作为输入，② 通过统计分析和六层数据诊断树 (DDT) 对其进行分析，③ 并使用结果数据诊断来选择算法并合成初始训练代码。 ④ 然后，优化代理通过 NLG 引导的 MDP 循环迭代地细化代码，其中代码编辑通过特定于欺诈的复合奖励进行评估并存储在轨迹存储器中。该过程在收敛后停止并返回优化后的模型、最终脚本和评估指标。