PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.18766v3cs.SD

FRAUDSkill: 오디오 사기 방지 탐지를 위한 구조화된 가중치 고정 스킬 최적화

FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection

대규모 오디오-언어 모델(large audio-language model)은 음성을 직접 처리하고 사기 관련 증거를 바탕으로 추론함으로써 사기 방지 탐지에서 가능성을 보여 왔다. 그러나 이러한 모델을 실제로 배포하려면 예측이 사전에 정의된 레이블 공간과, 서비스 시나리오 식별, 사기 탐지, 조건부 사기 유형 분류로 이루어진 구조화된 의사결정 프로토콜을 따라야 한다. 기존의 미세조정 및 프롬프트 기반 접근법은 일반적으로 태스크 지식, 제약 조건, 의사결정 규칙을 모델 파라미터나 수동으로 관리되는 프롬프트에 인코딩하기 때문에, 사기 패턴과 레이블링 정책이 변화함에 따라 이에 적응하기가 어렵다. 이를 해결하기 위해 본 논문에서는 기반 오디오-언어 모델을 변경하지 않고 그대로 두면서, 스킬 프로그램(skill program), 경로별 정책(route-specific policy), 의사결정 규칙으로 이루어진 외부 층을 최적화하는 구조화된 가중치 고정(frozen-weight) 적응 프레임워크인 FRAUDSkill을 제안한다. 또한 프로토콜을 준수하는 예측을 보장하기 위해 구조화된 출력 제어를 검증 기반 다중 경로 추론과 결합한다. TeleAntiFraud 벤치마크에서 FRAUDSkill은 Macro-F1 73.50%를 달성하여, 공유 가중치 고정 모델 기준선보다 31.96% 높은 성능을 보였으며 유효하지 않은 출력 비율은 1.94%로 감소했다. 광범위한 실험을 통해, 외부 스킬 최적화가 기반 모델을 수정하지 않고도 구조화된 오디오 사기 방지 탐지를 위한 효과적이며 적응 가능한 해결책이 됨을 확인하였다. 소스 코드는 https://anonymous.4open.science/r/FRAUDSKILL-114514 에서 확인할 수 있다.