角色感知的网络诈骗决策监督与可审计性研究

第二个人工智能 (AI) 组件何时会改善主要网络欺诈决策而不是增加运营负担？我们通过具有区块链可审计性的角色感知决策者监督者 (DS) 框架来研究这个问题，评估结合了集中式机器学习、联邦平均 (FedAvg) 训练的联邦元模型以及基本或量化低秩适应 (QLoRA) 大语言模型变体的四种方向配置。该分析使用非硬欺诈性能、干预负担、条件校准、流量混合和审查能力敏感性、可靠性测试和区块链生命周期控制来比较仅主要决策和监督决策。确定性硬门解决了 89.994% 的欺诈请求，使非硬性群体成为主要的 AI 决策设置。条件验证校准不会在部署重放时产生一致的、可转移的监督优势。 DS-3 QLoRA 是破坏性最小的监督配置，但它在 F1 和总错误方面仍然低于其主要 FedAvg 阶段。在 36 个重新加权的流量混合中，监督仅在两种极端高欺诈场景中减少了 DS-4 Base 的总错误。区块链测试支持摘要验证、篡改检测、授权、一次性审查解决方案和最终确定后完整性，同时暴露了最终确定前的单次写入限制。结果表明，人工智能监督的价值取决于角色分配、校准、升级策略、流量构成和生命周期控制，而不是仅取决于第二个模型的存在。