风控日报 — 2026-08-26

📊 原料：49 条相关条目（GitHub 仓库搜索 36 条 / arXiv 13 条全部无关——新批次 2608.235xx（08-24 提交日期）：工控系统训练数据污染鲁棒性、恶意流量少样本持续学习 FSCIL（两项安全主题但域为工控/入侵检测，非交易风控）、Z' 玻色子暗物质、BPCO critic 稳定训练、SWE 全仓栈迁移基准、BCG 无创血压、离散扩散自适应采样、SYK 腔 QED、FixAnything 3D 渲染修复、ReWorld 交互世界模型、Chimera GPU-CPU 多向量检索、VLM 关系推理捷径、蒙古历史人名跨文字对齐）。arXiv 全噪声小计：连续 31 期（07-17→08-26）全噪声，累计 736 条中 1 条相关，噪声率 99.9%。剔除构成：~14 条已覆盖/重复（sentinelpay 与 RecoverAI 为昨日 ★★★/★★ 同仓、phaas-tracker[08-15★]、antifraud-knowledgehub[08-12]、TemporalStore[非金融]、jd-capital[08-20]、PayShield[08-17★]、multi-agents-fintech[08-24★]、FFraud-com×2[数据库]、lucidfence[08-07]、FraudLens（themanoj-025 08-17 已覆盖★同仓重推）、portfolio-risk-engine[投资组合]、perishable-inventory[非金融]、phase[游戏]）+ 4 个已确认恶意仓库残留（Amy7007/VPN-Detector[07-26]、hgthangbq-lang/defi-risk-screening[07-26]、primatewakeisland574/payment-channel-guide[08-09]、yoelpa6680/upi-fraud-gnn[07-26]——不重复验证）+ 5 条非风控/空仓（Vertex_Command 展示柜、PolicyEngine/microcosm 调查微数据、srd-rules DnD 规则引擎、MobiShield-AI 无 README 空仓 404）+ 2 条过薄（gnn-ieee-fraud-detection 仅 2 行 README 无法验证深度、MariaJuliaPareja preprint 仓"代码按需索取"无开源代码）。连续 2 日无新确认恶意仓库，累计维持 20 个。今日筛出 10 条新增高信号条目。今日是评测方法论日：UCL 学位论文用注册预测+冻结工件证明"精心设计的图结构接线贡献为零"、Mastercard 赛事项目用 LOAFO 基准区分"泛化 vs 记忆化"（骡子网络迁移 0%），加上"XGBoost 赢了指标却因校准门落选 LR 上场"——三条独立样本共同把风控模型评估从静态测试集推向"证据链评估"。

今日高信号

1. msc-dissertation-fraud-gnn (Shakhzod555) — 企业财报欺诈 GNN 的"泄控评估"学位论文：精心设计的图接线贡献为零（营收中心 35 边模板 vs 随机 35 边图 top-decile 逐位持平 0.2605/0.2605、Spearman ρ=0.949；GNN 仅对 GBT 显著 0.701 vs 0.624，对 LR/RF 不显著；预注册预测 5 确认 3 驳回；110 测试+146 冻结表）【信号：★★★】

Shakhzod555/msc-dissertation-fraud-gnn（0★, Python, 08-25 建, UCL IFTE0008 MSc 学位论文, CC-BY）研究企业财报欺诈检测：把每个公司年的 26 个会计科目作为节点、35 条以营收为中心的关系作边构图，问"图表示是否优于表格 ML、优势是否来自设计接线"。方法论是最大亮点：泄露规则 S1-S4 tripwire、5 种子 {0..4} 均值±标准差、预注册预测账本（跑实验前登记预测，5 确认 3 驳回全部发表）、146 张冻结表 schema 校验、每个数字链接到冻结工件。三个核心发现：(1) 图模型 AUROC 0.701 vs GBT 0.624（DeLong p<10⁻⁴，过 Holm 族校正）——但仅对 GBT 显著，对 LR/RF 聚类检验不解析（p=0.185/0.222/0.133），明确声明"不对表格基线作为一类下结论"；(2) 中心负结果：设计接线零贡献——随机 35 边图在 top-decile capture 上与营收中心模板完全一致（0.2605 both），AUPRC/AUROC 无差异，两模型学到几乎同一个函数；(3) 图结构基本惰性——同一科目表示上的无图网络达 0.690（对图模型 p=0.363 不显著），收益来自逐科目表示而非其上的消息传递。

风控视角：对"GNN 一定更强"叙事的最干净反驳样本：市面上大量图风控 demo 默认"构图=涨点"，这里用泄控协议证明涨点可能来自表示而非结构、来自任意连接而非领域知识——直接可用于面试回答"什么时候值得上图模型"（答案：先跑随机图/无图对照组）。预注册+冻结工件+负结果发表三件套是"评估即证据链"的学术级模板，与 08-25 txwatch 三版对照、08-14 aghasalim 泄露量化同谱系但更严格。财报欺诈（财务舞弊）场景也补足了交易欺诈之外的检测面。与 风控模型 的评估体系和 图风控 的建图成本收益分析直接相关。→ GitHub

2. mastercard-aegis (tensorforgee) — 支付攻防红蓝闭环 + LOAFO 泛化基准（v1→v3 跨族加固：19→21 特征补"交易量 vs 不同对手方数"盲区；Leave-One-Attack-Family-Out 均值 58.3%，骡子网络 0% 迁移诚实披露；CLAIMS_AUDIT 文档声明什么 unsupported）【信号：★★★】

tensorforgee/mastercard-aegis（0★, Python, 08-25 建, Mastercard Innovation Challenge 2026）是闭环红蓝对抗系统：IDENTIFY→GENERATE→DEFEND→EVALUATE→EVOLVE→RETRAIN，每一箭头是冻结 pydantic 契约而非函数调用。三个固定攻击族：合成身份 bustout、骡子网络 structuring、自适应检测器逃逸。最有价值的是两处：(1) 跨族加固的特征盲区发现——检查真实骡子对抗数据时发现既有 19 特征只数了账户历史交易量、从未数不同对手方数，"协调者向 1 个目的地付 6 次"与"向 6 个目的地各付 1 次"在旧特征下不可区分——新增 source_distinct_destinations_before/destination_distinct_sources_before 两列（v3 精度 93.8%、FPR 0.0216%）；(2) LOAFO 泛化基准——三折各留一族完全不参与训练，检验"加固是泛化还是记忆化"：自适应逃逸 75%、bustout 100%、骡子网络 0% 迁移（均值 58.3%），配 docs/CLAIMS_AUDIT.md 逐条声明结果支持什么不支持什么。API/UI 只读消费工件、真实数据与 mock 演示永久分标签不混用。

风控视角："泛化 vs 记忆化"第一次成为加固评估的显式维度：把对抗样本喂回训练（hard positives）是 08-24 Adversarial-Payment-Security-Lab 已有的模式，LOAFO 回答的是下一步问题——"对没见过的攻击族还有效吗"，骡子族 0% 迁移是极有信息量的负结果（结构化攻击的模式可能本质族特定）。"交易量 vs 对手方数"盲区是 velocity 特征设计的通用提醒：计数要有分母维度。挑战赛背景（Mastercard 赛事）同 Razorpay 黑马拉松——评委导向但实践密度高。与 反欺诈体系 的对抗适应和 风控模型 的对抗鲁棒性评估直接相关。→ GitHub

3. kavach (harshgounder) — 印地语优先的"数字逮捕"语音反诈盾（AASIST-hindi 声纹伪造 0.9919/真实通话 0/100 FP@71ms + 8 向量胁迫话术分析 + PASS→CAUTION→PAUSE→KILL 融合阶梯 + 支付绊线 + ed25519 防篡改证据包直达 1930 举报 + 红队逃逸全披露）【信号：★★★】

harshgounder/kavach（0★, Python, 08-07 建→08-25 推送, 69MB 含模型, IIC 3.0 赛事）面向印度"数字逮捕"骗局（假 CBI/警察视频通话恐吓转账，2022-2026 累计损失 ₹4,057.7 crore/29.7 万报案，追回率 0.37%）。六个检测部门全部落地代码：声纹伪造检测（AASIST-hindi，3 窗投票+max-crop 规则，~71ms 均延迟）、印地语 ASR+8 向量胁迫话术分析（模糊+音位规范化）、威胁信号、事实核查信号、支付绊线（新收款人/金额/collect 请求在 PIN 前拦截）、证据打包（防篡改、可选 ed25519 签名、直达 1930/Chakshu 举报渠道）。融合阶梯确定性且有单元测试：Spoof OR 高胁迫=PAUSE（挂起+家人挑战），双触发=KILL（硬阻断+一键举报）；静音/截断/无效输入永不能 PASS（红队硬门）。测量纪律罕见：31/31 音频电池、226/226 七套压力测试、29/29 真实案例回放（BBC/NDTV 记录的 24 起真实印度案件）、证据突变捕获 90%，并主动披露 08-25 红队发现的四类逃逸（静音填充/音量衰减/硬削波/弱窗截断）及修复。

风控视角："检测→干预→举证"闭环第一次在消费者反诈侧做齐：交易风控的对应物是"拦截→冻结→报案材料"，这里的家人挑战（family challenge）= 消费者版 HITL。AI 语音克隆（RVC/GPT-SoVITS 实时可用，3 秒素材即可克隆）让"声音即身份"假设失效，47% 印度成年人遭遇过 AI 语音骗局——语音通道正在成为账户盗用（ATO）的前置攻击面，声纹伪造检测会逐步进入国内银行电话客服风控议程。"逃逸披露即卖点"的诚实文化与昨日 txwatch 同构。⚠️ 赛事项目、单机 GPU 延迟口径、印地语域特化。与 反欺诈体系 的 ATO 防线和 风控策略 的干预阶梯设计直接相关。→ GitHub

4. governed-fraud-detection (riya0920) — 治理化欺诈 ML 全家桶（focal loss 自定义目标梯度差分验证到 4e-11 + 单调约束 LightGBM + FCRA §615(a) adverse action reason codes 只列推高分数的特征 + AIR 80% 规则五运营点 + 更少歧视替代方案搜索 LDA + 再训练管线"停在人工" + 实测 p99）【信号：★★★】

riya0920/governed-fraud-detection（0★, Python, 08-18 建→08-25 推送, 1.4MB, 41 测试）把美式信贷合规治理做进欺诈检测：(1) 带牙齿的泄露审计——原料里故意埋 3 个决策后字段，denylist 排除之外再用单变量 AUC 独立筛查（"抓住没人预测到的泄露"那层），assert_clean() 在每次 fit 前抛错；(2) 四臂不平衡对照（基线/类权重/SMOTE/focal loss，SMOTE 自实现可检查插值语义，focal loss 梯度推导写在 docstring 并用有限差分验证到 4e-11）；(3) 阈值经济学（金额加权欺诈损失+侮辱成本+流失利润+审查成本的 $ 加权曲线，对照规则基线与全批准）；(4) reason codes 的合规正确性——TreeSHAP 精确 Shapley 值在 log-odds 边际上取 top-3，只允许列出把分数推高的特征："把主张批准的特征列为拒绝主因是对客户的虚假陈述，不是技术细节"（FCRA §615(a)/ECOA Reg B 框架点名）；(5) 公平性（AIR 80% 规则、五运营点、交叉群体、LDA 搜索）+ 监控触发再训练但刻意停在人工（monitor→trigger→refit→gates→human）。docs/RESULTS.md 全部由命令再生、含违背作者先验的结果。

风控视角："拒绝解释"的监管级细节第一次见诸开源：国内信贷拒贷原因报送（监管要求"拒绝原因可解释可报送"）可直接借鉴"只列推高分数的特征"原则——SHAP 负向贡献特征出现在拒因里就是合规事故。治理三件套（公平性审计+人工闸门+可再生结果文档）与 08-24 三权分立、08-20 A/B 方法论同谱系，把"模型治理"从概念推进到可运行代码。⚠️ 合成数据为主（可选拉取 284,807 真实行）、美股监管框架（FCRA/ECOA）需本地化映射。与 风控模型 的解释合规和 风控策略 的阈值经济学直接相关。→ GitHub

5. financial-payments-fraud-pipeline (vaibhavkhuranaaa) — "退役不匹配架构"的容量约束审查台（ULB 284,807 全量：XGBoost 0.7962 PR-AUC 胜 LR 0.7744 但未过预声明的校准门落选；审查预算 1/1000 → 确定性排序队列 91.1% 精度/68% 召回；因数据无实体字段主动退役 Kafka/Spark/Redis/CDC 云栈改单进程；Cloud Run live 200）【信号：★★】

vaibhavkhuranaaa/financial-payments-fraud-pipeline（0★, Python 3.11, 08-25 建, 21 测试, 公开工作台 实测 200）是"模型选择→有界分析师队列"的决策工作台。三个亮点：(1) 校准门否决更强模型——XGBoost 测试 PR-AUC 0.7962 高于类权重 LR 的 0.7744，但未通过预声明的校准提升标准，保持 diagnostic 不上岗，生产用 LR（回顾性运营点：每千笔审 56 行、捕获 51/75 欺诈、精度 91.1%/召回 68%）；(2) 容量约束运营点透明化——80% 召回需 120 审/天、90% 需 2,430 审，策略视图明确"这是容量约束下的运营点而非部署阈值"；(3) 架构诚实——源数据没有卡/商户/客户/事件实体身份，先前搭的 Kafka/Spark/Redis/SQL/CDC/云栈"退役而不是喂给它虚构字段"，改为单进程拓扑，理由写入架构文档。

风控视角："简历驱动架构"的反面教材价值：多数 demo 反向操作——数据没有实体字段就造字段把流式栈撑起来。这个仓把"架构必须匹配数据的真实身份粒度"写成决策记录，与 08-25 txwatch 特征可得性约束（先盘点线上拿得到什么再定特征集）同一哲学在系统层的投影。"最强模型不一定上场"（校准门+可解释运营点优先）也是对"离线 AUC 崇拜"的又一次纠正。⚠️ 单日新建仓、ULB 饱和数据集。与 风控模型 的模型选择治理和 实时风控引擎 的容量规划直接相关。→ GitHub · Live

6. kaidn-mcp (Kaidn-io) — 商业反欺诈平台的官方 MCP server（Claude/Cursor 里自然语言调查欺诈："这个设备还碰过什么"、跨运营商滥用网络 pivot、审查队列；证据而非分数——每个理由携带原始数字；默认只读；配额护栏防 agent 循环烧光月额度）【信号：★★】

Kaidn-io/kaidn-mcp（0★, TypeScript, 07-23 建→08-25 推送, MIT, npm @kaidn/mcp, 组织账号）是 Kaidn 商业欺诈评分 API 的官方 MCP server：stdio 本地 + Streamable HTTP 远程双模式，已入 MCP 官方 registry。三个设计决策有行业信号意义：(1) "Evidence, not just a score"——每个 reason 携带背后的原始数字，让模型能解释裁决而不是猜；(2) 默认只读——不显式 opt-in 不改租户状态（agent 误操作的防线）；(3) 配额护栏——"循环里的 agent 不能十分钟烧光你一个月的额度"（agent 成本治理首次在风控 API 语境出现）。工具面覆盖：signup→关联账户 pivot（设备/IP/邮箱共享）、跨运营商滥用网络查询、审查队列操作。

风控视角：MCP 成为商业风控产品的正式集成面：08-19 AWS 官方 MCP 欺诈调查 agent 参考架构之后，创业公司把调查工作流直接接进 Claude/Cursor——分析师的自然语言入口（"今天队列里最可疑的三笔"）正在标准化。"证据而非分数"呼应解释资产化趋势（08-25 SHAP 延迟预算/解释漂移）但落在 API 契约层：给 LLM 的输出必须自带可核验数字，否则模型会幻觉理由。"默认只读+配额护栏"是 agent 安全设计的双样本（与 08-24 app-fraud-interdiction 的"LLM 不碰决策"互补——那是决策权约束，这是副作用与成本约束）。⚠️ 闭源商业 API 的客户端、无自托管可能。与 反欺诈体系 的调查工作流和 实时风控引擎 的 API 治理相关。→ GitHub

7. sentinelflow (la3679) — Java 技术栈的交易风控全周期工程（Spring Boot API+Kafka+FastAPI scoring+PG+React+OTel/Prometheus/Grafana；10 阶段计划 phase 1/10 诚实申报、七服务 compose 全健康+23 项冒烟测试、6 条 CI 流水线+安全扫描；mock 层明确标注"API 还没有数据端点"）【信号：★★】

la3679/sentinelflow（0★, TypeScript+Java, 08-25 建, Apache-2.0）是教育/作品集定位的事件驱动交易风控平台，技术栈对国内 Java 风控团队高度对口：Spring Boot API + Kafka + PostgreSQL 迁移 + FastAPI 评分服务 + React 控制台 + OpenTelemetry 全链路，Monorepo + 6 条 GitHub Actions CI（repo/api/scoring/web/containers/security-scan）+ Makefile 工作流。README 的阶段诚实表值得抄：Phase 0-1 完成（基建/CI/容器）、Phase 2-10 未开始，并明说"今天能跑什么：docker compose up 拉起七件套全部健康、Prometheus 抓取双服务、23 项冒烟测试通过；控制台渲染自 mock fixture 层，因为 API 还没有数据端点"——每个 README 数字都标注了产生它的命令和日期。

风控视角：对用户（Java 风控工程师）最直接可抄的作品集模板：国内风控系统 JD 的标准画像（Java+Kafka+规则/评分服务+监控）在开源 demo 里罕见对口——多数是 Python 单体。Phase 表+命令级数字溯源+mock 层显式标注，把"作品集可信度工程"做成了范式（对照 08-20 徽章指标幻觉的反面）。⚠️ 教育项目、合成数据自产、Phase 2+ 未动工（交易接入/outbox/评分都在路线图上）。与 实时风控引擎 的架构参考和 04-Projects 简历工程直接相关。→ GitHub

8. json-rules (inixiative) — 一份规则 AST 三处执行（同一 AST 编译为内存 check() / Prisma 查询计划 / PostgreSQL WHERE；窗口聚合 sum/avg/first-N；相对日期"last 30 days"表达式；860 行 README 全词汇表）【信号：★★】

inixiative/json-rules（5★, TypeScript, 2025-07 建→08-25 推送, MIT, npm @inixiative/json-rules）是 TypeScript 规则引擎库，核心抽象：规则只定义一次（JSON AST），三种执行后端——运行时内存校验（check() 带 custom error message）、Prisma 查询计划（toPrisma()）、PostgreSQL WHERE 子句生成（toSql()）。词汇表覆盖：嵌套 all/any、if/then/else、数组聚合（sum/avg）、有序窗口（orderBy/take/skip 取 first/last N）、时区感知日期比较、相对日期表达式（within/ago/this/last/next）、path 相对引用。

风控视角："一处定义、多处执行"直击规则引擎的离在线一致痛点：风控规则的经典事故是"线上用 Drools、离线回放用 SQL 重写，两处语义漂移"。同一 AST 编译到内存校验（在线热路径）与 SQL（离线批量回放/名单圈选）是规则层版的 feature spec 契约（08-10 Sentinel 同族思想在规则域的落地）。TypeScript 生态、非金融专用，但抽象可直接迁移到 Java（对照 08-20 pg-react"规则进数据库"与 07-22 Drools 线）。⚠️ toSql/toPrisma 支持子集、窗口功能 check-only 尚未编译到 SQL。与 风控策略 的规则引擎选型和 实时风控引擎 的离在线一致性直接相关。→ GitHub

9. credit-scout-risk-engine (okefemi12) — LSTM+SHAP+Llama 3.3 拒贷通知书全链教学样本（PaySim LSTM 检测 → SHAP 定位风险因子 → Groq Llama 3.3 生成 Adverse Action Notice → Docker Streamlit HF Spaces live 200；MLflow/DagsHub 实验追踪）【信号：★】

okefemi12/credit-scout-risk-engine（1★, Jupyter+Python, 2026-01 建→08-25 推送, HF Space 实测 200）定位"黑盒 AI 与监管合规之间的桥"：四层架构——LSTM 检测层（PaySim/TensorFlow）、SHAP 解释层、合规层（Llama 3.3 via Groq 生成自然语言审计报告，面向非技术干系人）、部署层（Docker+Streamlit+HF）。训练产物入库（columns.pkl/scaler.pkl/shap_metadata.pkl/latest_checkpoint.h5）。

风控视角："LLM 生成监管文书"的教学级样本：与 08-17 FraudLens（LLM 叙事+FAISS RAG）同族——LLM 的位置在"解释/文书生成"而非决策，但这里瞄准的是 Adverse Action Notice 这类法定文书（与今日 governed-fraud-detection 的 FCRA reason codes 恰成对照：一个用精确 Shapley+合规约束、一个用 LLM 生成自然语言——监管文书能否交给 LLM 生成是正在分叉的路线）。⚠️ PaySim+LSTM 属非主流组合（序列特征在交易欺诈中收益存疑，待验证）、README 简略、单人口径。与 风控模型 的解释生成相关。→ GitHub · Live

10. getIPIntel (blackdotsh) — 11 年 330★ 免费 IP 信誉 API 老兵上新 MCP（概率化 proxy/VPN/TOR/主机 IP 评分 0-1，阈值指南明确"0.99+ 才建议自动动作"；2026-08 新增面向 AI agent 的 MCP 服务）【信号：★】

blackdotsh/getIPIntel（330★/48 forks, PHP, 2015 建→08-25 推送, getipintel.net）是运营 11 年的免费 IP 情报 API：返回 0-1 概率值（IP 为 proxy/VPN/主机/恶意 IP 的可能性），明确的使用阈值纪律——"<0.90 低风险、>0.95 值得关注、只建议对 >0.99（或 0.995）做自动动作，高值先转人工审查"；月解析数十亿新记录、旧记录自动过期。README 08 月新增：GetIPIntel MCP service 公测（mcp.getipintel.net），让 AI agent 直接查询 IP 信誉。

风控视角：IP 情报原子的双再确认：(1) 阈值纪律是"评分→动作"映射的教科书表述（概率值+分档处置+自动动作高门槛），国内风控 IP 信誉分直接可对照；(2) 老牌数据服务上 MCP 与今日 kaidn-mcp 互为印证——IP/设备/邮箱类风控数据源正在把 MCP 当作一等集成面，agent 化调查工具链的原子层在补齐（IP 信誉、disposable email 库均已 MCP 化）。⚠️ 免费服务无 SLA、单一维护者、闭源数据集（仓库仅客户端示例）。与 反欺诈体系 的 IP 风控和 风控策略 的阈值治理相关。→ GitHub

技术趋势

  • "评估即证据链"成为风控 ML 的显式方法论：今日三个独立样本——UCL 论文的预注册预测+冻结工件+负结果发表（接线贡献为零）、AEGIS 的 LOAFO 基准+CLAIMS_AUDIT、financial-payments 的校准门否决更强模型——加上昨日 txwatch 三版对照，"静态测试集上的一次 AUC"正在被"可审计的评估证据链"取代：预测先登记、工件先冻结、负结果也发表、模型选择有门禁记录。
  • "泛化 vs 记忆化"进入对抗加固评估：AEGIS 的 Leave-One-Attack-Family-Out（均值 58.3%、骡子族 0% 迁移）把"把对抗样本喂回训练"的模式推进到"对没见过的攻击族是否有效"——hard-positive 回补的族特异性首次被量化。
  • 治理化/合规 ML 从概念到代码：governed-fraud-detection 的 FCRA"只列推高分数的特征"原则、AIR 80% 规则五运营点、再训练停在人工——美式信贷合规三件套首次以可运行代码整体开源；LLM 生成监管文书（credit-scout）与精确 Shapley+合规约束（governed）路线分叉。
  • "架构必须匹配数据真实粒度"成新诚实维度：financial-payments 因数据无实体字段主动退役 Kafka/Spark/Redis/CDC 栈——与"徽章指标幻觉""空仓库路线图"相对，"承认不需要流式"本身成为可信度信号。
  • MCP 成为风控工具的一等集成面：商业平台官方 MCP（kaidn，证据而非分数+默认只读+配额护栏）与数据源 MCP 化（getIPIntel 11 年老服务上新）——08-19 AWS 参考架构后的第二波，agent 安全设计（只读默认、副作用门、成本护栏）同步成形。
  • 语音通道成为反欺诈新前线：kavach 针对数字逮捕骗局（AI 语音克隆实时可用）的"检测→干预→家人挑战→举证举报"闭环——ATO 的攻击面前移到通话层，声纹伪造检测（AASIST）将进入主流风控视野。
  • 图风控的成本收益再校准：UCL 论文证明设计接线零贡献、图结构基本惰性（无图网络 0.690 vs 图 0.701）——"先跑随机图对照"应成为上图前的标准动作，与 08-24 因果/环境邻居划分（invariant-CaT-GNN）同为主题的两面。

行业案例

  • 企业财报欺诈：msc-dissertation-fraud-gnn（26 科目图 vs 表格 ML，泄控评估）
  • 支付攻防加固：mastercard-aegis（三攻击族 LOAFO 泛化基准，Mastercard 赛事）
  • 语音反诈/数字逮捕：kavach（印地语 AASIST 0.9919，₹4,057 crore 损失场景）
  • 合规治理：governed-fraud-detection（FCRA reason codes+公平性+人工闸门）
  • 容量约束审查：financial-payments-fraud-pipeline（1/1000 审查率 91.1% 精度）
  • agent 化调查：kaidn-mcp（商业平台 MCP+配额护栏）
  • IP 情报：getIPIntel（11 年服务 MCP 化）
  • 作品集工程：sentinelflow（Java/Kafka 技术栈 phase 诚实申报）

值得深入

  1. msc-dissertation 的 leakage rules S1-S4 与冻结表结构——泄控协议怎么在代码层 tripwire（对照 08-18 PIT SQL 强制），随机图对照组怎么配——整理成"图风控评估"答题素材。
  2. mastercard-aegis 的 docs/EVALUATION_RULES.md + LOAFO 脚本——评估规则先声明（SS1/SS6 编号引用）的文档实践，骡子族 0% 迁移的 per-family 拆解。
  3. governed-fraud-detection 的 src/reason_codes.py——"只列推高分数的特征"的过滤实现+FCRA 框架映射，对照国内拒贷原因报送要求。
  4. kavach 的融合阶梯与红队披露节——确定性融合（非加权投票）在多信号拦截系统的适用边界，四类逃逸的修复方式。