PersonaAgent：基于可刷新多实体画像记忆的检索增强交易异常评分
PersonaAgent: Retrieval-Augmented Transaction Anomaly Scoring with Refreshable Multi-Entity Persona Memory
精选理由
通过可刷新实体画像补足模型更新滞后，在高效评分交易的同时提升异常检测效果与业务指标。
AI 摘要
arXiv:2611.08094v1 公告类型：新论文 摘要：在大规模支付网络中，实体（银行卡、商户等）及其交互在交易异常检测中发挥着关键作用。然而，不同实体之间的交易模式通常比生产模型的更新周期变化得更频繁。同时，实体嵌入表面临高基数和交互稀疏问题。为应对上述挑战，我们提出 PersonaAgent，这是一种智能体式交易异常检测框架，将最新的实体行为信号表示为画像，并将其存储在可刷新的记忆中。在离线阶段，通过每周定期执行的批处理任务提取最新行为信号，并更新记忆中的相应内容。在推理阶段，轻量级适配器从记忆中检索每笔交易对应的实体行为信号，并用这些信号增强基础异常分类器的评分。通过在 Visa 对不同异常检测模型进行全面的基准测试，PersonaAgent 能够高效地为交易评分（在 CPU 上处理包含 1,000 笔交易的批次仅需 1–2 毫秒），并在部署后使 PR-AUC 相对提升 0.65–6.58%，生产环境业务指标相对提升 8.93–14.24%。