身份文件欺詐檢測並非一個靜止的二分類問題。自適應攻擊者不斷修改模板和製造流程，導致歷史欺詐標籤迅速過時，成功的偽造會以協同攻擊的形式大規模重現。為此，研究人員提出了佈局感知表示學習方法，旨在實現開放集欺詐發現，而不僅僅是封閉集分類。
該方法將DINOv3視覺Transformer適配到文件領域，透過上下文感知的SimMIM（掩碼影像建模）微調和監督度量學習進行訓練。複合損失函式的設計增強了類間可分性和類內緊湊性，使模型能夠學習到具有高度判別性的文件嵌入表示。值得注意的是，模型僅使用美國身份證進行訓練，但展現出強大的跨域泛化能力。
實驗結果表明，搭配輕量級MLP和softmax分類器，該嵌入在加拿大身份證佈局上達到了99.83%的分類準確率。更重要的是，在一個包含20,448張加拿大身份證的資料集中，嵌入空間分析揭示了276個自適應物理欺詐案例，其中222個未被現有檢測器發現。這些嵌入還支援基於相似性的擴充套件——從一個已確認的種子案例出發，能夠發現其他相關欺詐案例，而這些案例在傳統的後設資料圖譜中並無關聯。
這項研究為生產環境下的欺詐檢測提供了新思路。佈局感知文件嵌入能夠在分佈偏移下發現新型和大規模的欺詐活動，為防禦適應性攻擊提供了有力工具。相關論文由Jinxing Li、Nicholas Ren、Cathy Chang、Hongkai Pan和Daniel George撰寫，於2026年4月17日提交至arXiv。