通过 Agentic AI 和 LLM 驱动的知识发现进行业务妥协检测

检测受损的商业广告帐户是数字广告领域的一项挑战，因为攻击者利用被劫持的帐户发起欺诈活动。大语言模型 (LLM) Agent在诚信执行方面表现出了承诺，但在疑难案件上出现的幻觉错误会造成业务摩擦。在一项研究中，我们发现自主Agent是一个强大的、召回率较高的信号提取器，但却是一个不可靠的最终仲裁者，在模糊决策上放弃了精确性。因此，我们将智能体作为调查员，发出结构化的、可解释的信号向量，并将判决委托给神经符号阶段：归纳逻辑编程（FOIL-IE）发现的符号规则、朴素贝叶斯校准层和数据调整的矛盾层。对妥协过度抽样群体和带有主题专家标签的现实低流行率样本进行评估，这种仲裁器替换将 MCC 从 0.295 提高到 0.435（{\Delta}MCC +0.139，95% CI [+0.026，+0.245]，p=0.018，配对引导程序），将精度从 0.250 提升到召回成本为 0.446 (1.8x)（0.920 至 0.660）。在相同条件下进行基准测试，它还具有边缘树集成 (0.386)。规则对域 w 标签进行编码，同时保持可解释和可审计。