身份文档欺诈检测并非一个静止的二分类问题。自适应攻击者不断修改模板和制造流程，导致历史欺诈标签迅速过时，成功的伪造会以协同攻击的形式大规模重现。为此，研究人员提出了布局感知表示学习方法，旨在实现开放集欺诈发现，而不仅仅是封闭集分类。
该方法将DINOv3视觉Transformer适配到文档领域，通过上下文感知的SimMIM（掩码图像建模）微调和监督度量学习进行训练。复合损失函数的设计增强了类间可分性和类内紧凑性，使模型能够学习到具有高度判别性的文档嵌入表示。值得注意的是，模型仅使用美国身份证进行训练，但展现出强大的跨域泛化能力。
实验结果表明，搭配轻量级MLP和softmax分类器，该嵌入在加拿大身份证布局上达到了99.83%的分类准确率。更重要的是，在一个包含20,448张加拿大身份证的数据集中，嵌入空间分析揭示了276个自适应物理欺诈案例，其中222个未被现有检测器发现。这些嵌入还支持基于相似性的扩展——从一个已确认的种子案例出发，能够发现其他相关欺诈案例，而这些案例在传统的元数据图谱中并无关联。
这项研究为生产环境下的欺诈检测提供了新思路。布局感知文档嵌入能够在分布偏移下发现新型和大规模的欺诈活动，为防御适应性攻击提供了有力工具。相关论文由Jinxing Li、Nicholas Ren、Cathy Chang、Hongkai Pan和Daniel George撰写，于2026年4月17日提交至arXiv。