sun.ac.ug

이 이메일 도메인이 관측된 논문 2건

arXiv:2606.17555v4cs.CR

은행업을 위한 자율형 AI 보안 에이전트: 소매 및 기업 계좌 전반의 다중 벡터 사기 및 자금세탁방지(AML) 탐지

An Autonomous AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

은행은 탐지 요건이 근본적으로 서로 다른 두 가지 위협 계열에 직면해 있습니다. 서명 기반 사기(카드 미제시 공격, 계정 탈취, ATM 복제)와 행동 기반 금융 범죄(분할 송금[structuring], 자금 세탁 분산[layering], 대포통장 네트워크, 비즈니스 이메일 침해[BEC])입니다. 정적 규칙 엔진은 고빈도 이벤트를 포착하지만, 개별 수준에서는 정상 활동과 유사하게 조작되는 BEC 결제 경로 재지정, 세션 하이재킹, 자금세탁 분산에는 무력합니다. 본 논문은 소매 및 기업 금융을 대상으로 저위험 및 중위험 단계에서는 독립적으로 동작하고 고위험 및 중대 조치 시에는 인간 분석가나 컴플라이언스 담당자에게 에스컬레이션하는 자율형 AI 보안 에이전트를 제시합니다. 이 에이전트는 거래(카드 사기, ACH/전신환 사기, AML)와 세션(계정 탈취, 하이재킹, SIM 스왑, 내부자 오남용)이라는 두 개의 병렬 이벤트 스트림 전반에서 3개 구성요소 융합 아키텍처를 활용합니다. 각 스트림은 계좌별 행동에 대한 LSTM 시퀀스 모델, 통계적 속도/임계값 모니터, 그리고 자금세탁 탐지를 위해 계좌-거래 상대방 패턴(팬인, 팬아웃, 통과 비율)을 포착하는 그래프 모듈을 결합합니다. 13개 위협 카테고리와 3,470개 계좌에 걸친 237,669건의 거래 및 113,508건의 세션으로 구성된 합성 로그 실험에서, 해당 에이전트는 전체 F1 점수 0.787(거래) 및 0.867(세션)을 달성하여 규칙 기반 기준선(0.562/0.733) 및 LSTM 단독 기준선(0.655/0.713) 대비 우수한 성능을 보였습니다. 또한 본 에이전트는 고객 대상 검증 챗봇(96.6% 신원 정확도, 86.8% 대량 재설정 탐지) 및 분석가 케이스 요약 어시스턴트(99.3% 조치 추천 F1)를 통합하며, 95번째 백분위수 기준 중대 단계 응답 지연 시간은 0.43ms 미만을 기록했습니다.

arXiv:2607.24814v2cs.AI

Aletheia: 저자원 의료 환경에서 감별 진단을 위한 오프라인 우선 임상 의사결정 지원 시스템

Aletheia: An Offline-First Clinical Decision Support System for Differential Diagnosis in Low-Resource Healthcare Settings

사하라 이남 아프리카 전역에서는 농촌 지역의 의사 대 환자 비율이 1:25,000 미만으로 떨어질 정도로 전문 임상 지식에 대한 접근성이 극도로 제한되어 있다. 기존의 AI 보조 진단 도구는 주로 안정적인 인터넷 연결과 고사양 하드웨어를 필요로 하므로, 지역 병원 및 보건소의 일선 의료진에게는 비실용적이다. 본 논문에서는 사하라 이남 아프리카의 저자원 의료 환경을 위해 설계된 오프라인 우선(offline-first) 임상 의사결정 지원 시스템인 Aletheia를 소개한다. Aletheia는 Qwen2.5-3B-Instruct를 기반으로 구축되었으며, 동아프리카에서 유병률이 높은 50가지 질환에 걸친 27,000개의 선별된 임상 추론 샘플 데이터셋에서 양자화된 로우랭크 적응(QLoRA, Quantised Low-Rank Adaptation)을 사용해 파인튜닝되었다. 평가 결과 Top-1 진단 정확도 80%(10건 중 8건; 95% CI 49.0-94.3%), Top-3 정확도 100%(10건 중 10건; 95% CI 72.2-100%), BERTScore-F1 0.909, METEOR 0.467을 달성했다. 이러한 진단 수치는 대표적인 임상 사례 범주 10개에서 각 1건씩 의도적으로 작게 구성된 집합을 대상으로 계산되었으므로 통계적으로 견고하기보다는 지표적 성격을 띠며, 넓은 신뢰구간과 함께 해석되어야 한다. 이 시스템은 0.275의 기대 보정 오차(ECE, Expected Calibration Error)를 기록하고 Africa Deep Tech Challenge 2026(ADTC 2026)의 메모리 예산 제약인 7,168 MB를 충족하여, 표준화된 벤치마크 노트북에서 약 3,630 MB의 최대 추론 RAM을 기록했다. 이러한 결과는 클라우드 인프라 없이도 자원이 제한된 환경의 1차 진료 수준에서 대규모 언어 모델(LLM) 기반의 임상 추론을 배포할 수 있는 실현 가능성을 보여준다.