ArapaiSecure 论文展示银行反欺诈智能体在多向量检测中的性能表现

该论文提出名为 ArapaiSecure 的自主 AI 安全智能体，用于零售与企业银行账户的多向量欺诈与反洗钱（AML）检测。系统采用三组件融合架构，并行处理交易流（卡欺诈、ACH/电汇欺诈、AML）与会话流（账户接管、劫持、SIM 交换、内部滥用），每个流结合 LSTM 序列模型、统计速度/阈值监控及图模块以捕捉洗钱模式。在包含 237,669 笔交易和 113,508 次会话的合成日志实验中，该系统在交易检测上达到 0.787 的 F1 分数，会话检测达到 0.867，优于基于规则的基线（0.562/0.733）和仅使用 LSTM 的基线（0.655/0.713）。

实验细节显示，系统还集成了面向客户的验证聊天机器人（身份识别准确率 96.6%，大规模重置检测率 86.8%）和分析师案例摘要助手（行动推荐 F1 为 99.3%）。关键指标方面，Critical 级响应延迟在第 95 百分位下低于 0.43 毫秒。这些数字来自作者提供的合成数据集，涵盖 13 类威胁和 3,470 个账户。

事实层面，这是一篇发表于 arXiv cs.CR 的预印本论文，描述了特定架构在特定合成数据上的测试结果。推断层面，该架构设计试图解决传统规则引擎无法识别的行为型金融犯罪（如商业邮件诈骗、分层清洗），并强调低延迟响应对于实时拦截的重要性。猜测层面，由于使用的是合成数据而非真实银行日志，实际部署中的误报率、对抗样本攻击下的鲁棒性以及跨机构泛化能力尚未在文中得到验证，其 0.43 毫秒的延迟在复杂生产环境中的稳定性仍需观察。