aiedtechassessmentlearning designknowledge building

ORACLE：從部分流式應用使用軌跡預測詐騙

arXiv - Computers and SocietyWenbo Gao, Songbai Tan, Zhongan Wang, Fei Shen, Gang Xu, Huiping Zhuang, Yunyun Yang, Ming Li, Xiaofeng Zhu

提出ORACLE框架，利用自適應上下文管理與自我蒸餾，從部分流式應用使用軌跡提前預測多階段手機詐騙，提升警報準確度

AI 幫你先抓重點

AI 重點 1

結合自適應上下文管理與自我蒸餾，可從碎片化證據中準確預測早期詐騙

滑鼠懸停看 AI 判斷理由
此方法直接解決部分軌跡的核心挑戰，提供可擴展的即時安全解決方案，對行動安全系統設計具有實際價值
AI 重點 2

12種詐騙類型與95款應用的長期基準資料集，為後續研究提供真實場景基礎

滑鼠懸停看 AI 判斷理由
擁有真實、長期且多樣化的資料集能讓研究者在接近實際使用情境的環境下評估模型，縮短從實驗到部署的距離

核心研究發現

  1. 1

    構建長期流式軌跡基準，涵蓋12種詐騙類型、平均15天、95款應用，並混合正常與詐騙行為

  2. 2

    引入自適應上下文管理器，動態整合實體互動，重建跨時段證據

  3. 3

    提出教師-學生自我蒸餾方案，教師模型利用反思與線索輔導學生，提升早期偵測敏感度

  4. 4

    實驗證明ORACLE在實際流式場景中能及時發出警報，同時降低誤報率

對教育工作者的啟發

實務工作者可採用自適應上下文管理模組，將使用者行為序列分段並聚合關鍵互動，配合自我蒸餾的教師-學生架構，提升早期詐騙偵測準確度。將 benchmark 數據公開，可作為模型訓練與評估基準。

原始文獻資訊

英文標題：
ORACLE: Anticipating Scams from Partial Trajectories in Streaming App Usage
作者：
Wenbo Gao, Songbai Tan, Zhongan Wang, Fei Shen, Gang Xu, Huiping Zhuang, Yunyun Yang, Ming Li, Xiaofeng Zhu
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。