賭場怎麼抓 AI 老千？規則、統計基準線與行為模型三層異常偵測實戰（2026）

訓練一個打贏職業牌手的 AI 只要大約 144 美元，賭場要怎麼抓？這篇帶你一次看懂異常偵測的三層做法，附一個自己就能跑的模擬實驗！

2019 年，卡內基美隆大學和 Facebook 的研究團隊發表了 Pluribus：一個在六人無限注德州撲克裡，贏過頂尖職業牌手的 AI。論文裡有一個數字比勝率更讓人在意：訓練它的策略，用一台 64 核心的伺服器跑 8 天，換算成雲端費用大約 144 美元。

研究團隊沒有公開程式碼。MIT Technology Review 當時的標題直接寫：這個 AI 可能毀掉線上撲克產業。

幾年後，事情真的發生了。2020 年，GGPoker 封鎖了 40 個使用「即時輔助軟體」的帳號，沒收超過 117 萬美元，補償了 4,329 位玩家。2023 年，888poker 因為 AI 與即時輔助封了 161 個帳號，退款給 4,068 位玩家。

老千以前要練手法，現在要的是一台電腦。

那賭場和牌局平台怎麼抓？答案聽起來有點反直覺：他們越來越少去看「手」，越來越多去看「行為像不像人」。這件事在資料科學裡有個名字，叫異常偵測（anomaly detection）。

先說明一件事：在台灣，賭博本身就是犯罪。刑法第 266 條規定，在公共場所或透過網路賭博財物，都可以處罰金。這篇只談偵測方怎麼想，不談任何作弊方法；我想借賭場這個極端場景，講一個在詐騙、資安、工廠設備監控裡都會遇到的問題。

快速回答 賭場和線上牌局抓 AI 老千，靠的是異常偵測：定義正常玩家長什麼樣子，把偏離最遠的帳號排序，交給人工調查判定。做法可以分三層：規則、統計基準線、看行為像不像人的模型。線上撲克平台 WPT Global 2025 年的作弊報告，就標記「過度一致、近乎完美的決策」。這套做法的優勢建立在對手還不夠像人，對手學會偽裝，模型就會過期，要靠調查結果回饋持續更新。

異常樣本與標籤極少，偵測必須先定義「正常行為」再抓偏離者

學術上最常被引用的定義來自 Chandola 等人 2009 年的綜述：異常，是不符合預期正常行為的模式。

注意這個定義的重心在「正常」。你沒辦法列出所有作弊手法，但你可以描述正常玩家長什麼樣子，再把離正常太遠的人挑出來。

我在製造和風控的專案都做過異常偵測。產線上找的是不正常的設備、不良的批次；風控找的是不正常的交易和帳號。兩邊的第一個體會一樣：異常的樣本極少，有標籤的更少。你手上幾乎沒有「這筆就是詐騙」的確定答案，只能從大量正常資料裡，去描述什麼叫正常。

賭場的處境也是這樣。被確認的老千極少，而且每一個新手法剛出現時，都沒有前例可以學。

所以實務上的偵測，通常是一層一層疊上去的。

下面依序講這三層：每一層抓得到什麼、漏掉什麼。圖最右邊的人工調查，和底下那條回饋的虛線，會在文章最後兩個邊界再出現。

第一層寫單一門檻規則：好解釋但只抓已知手法，還會誤傷真人高手

最直覺的做法是寫規則：贏太多就查、下注忽然變大就查、同一批人老是同桌就查。

規則的好處是好解釋。調查員、主管、被查的玩家，都聽得懂「你這個月贏得異常多」。我在風控專案裡也一樣：規則一定要留著，因為出事時，有人要能說清楚為什麼這筆被擋下來。

但規則有兩個硬傷。

第一，它只抓得到你已經知道的手法。新的作弊方式不會剛好觸發舊規則。

第二，它會誤傷真正的高手。「贏太多」這條規則，抓到的人裡面很大一部分是本來就打得好的常客。後面的模擬實驗會看到，在我設定的情境裡，這條規則用掉的警示名額，幾乎全部花在真人身上。

第二層建統計基準線：跟自己過去與同群玩家比，抓出突發偏離

第二層把問題從「這個數字大不大」改成「這個數字對這個人來說正不正常」。

做法是建立基準線（baseline）：和這個玩家自己的過去比，也和同一類型的玩家比。一個平常下小注的人突然連續下大注，一張賭桌的輸贏分布明顯偏離同時段其他桌，這些都是基準線能抓到、單一門檻抓不到的變化。

基準線的前提是要有資料。實體賭場這幾年在賭桌上加裝辨識籌碼和撲克牌的攝影機，影像辨識廠商 Dallmeier 在 2019 年就宣稱，它的系統在澳門裝了超過 1,000 張賭桌。這是廠商的說法，但它說明了一件事：實體賭桌正在變成可以被記錄、被比較的資料。

第三層上行為模型：同時看節奏、時長與決策穩定度，抓出「太像機器」的組合

真正改變攻防的是第三層：把很多訊號放在一起看。

一個 AI 輔助的玩家，單看勝率可能不突出。但把決策的節奏、在線的時間、每一手的選擇放在一起，就會出現人很難同時具備的組合。線上撲克平台 WPT Global 在 2025 年公開的作弊報告裡提到，它和 GTO Wizard 合作，標記「過度一致、近乎完美的決策」。這句話很關鍵：人類高手也會犯錯、也會累、節奏會亂；太穩定本身就是訊號。

電玩產業走得更早。Valve 在 2018 年的 GDC 演講介紹了 VACnet，用深度學習分析《CS:GO》玩家的操作來抓外掛。據轉述這場演講的技術文章，玩家檢舉送審的案件，成案率大約 15–30%；VACnet 送審的案件，成案率是 80–95%。同一篇文章用一句話總結它的分工：模型標記，人來判定。

做行為模型時，最常用的方法之一叫 Isolation Forest（孤立森林）。它的想法很簡單：隨機切資料，越容易被單獨切出來的點，越可能是異常。2008 年提出它的論文特別指出，這個方法在訓練資料裡完全沒有異常樣本時也能運作。這正好對上「標籤幾乎沒有」的現實。

原論文用一張圖把這個想法講完：同一群點，分別去隔離中間的一個點和邊緣的一個點，看各要切幾刀。

放到牌桌上，一個帳號的出手節奏、在線時長和決策穩定度，如果同時跟大多數玩家都不一樣，它就像右圖那個點，幾刀就被切出來。這件事在現實資料裡成不成立，下面用模擬實驗來檢查。

模擬實驗驗證：不偽裝時基準線已抓到 97.8%，對手開始偽裝才需要行為模型

前面三層都還停在說法。說法要能被檢查，所以我寫了一個模擬實驗。程式碼全部列在下面，依序貼進同一個檔案就能跑，只需要 numpy、pandas、scikit-learn。

想驗證的三件事

1. 看行為比看結果準：只看勝率的規則，會把警示名額花在真人高手身上。
2. 基準線拿到大部分效果：對手不偽裝時，簡單的統計基準線就能抓到大部分自動化帳號，模型多出來的效果不大。
3. 模型的優勢有期限：行為模型贏在把幾個特徵合起來看。對手越像人，這個優勢越小，最後會消失。

跑出來的結果如果和這三點不同，前面的說法就要改。

前提假設

模擬的好處是答案已知：我知道誰是自動化帳號，才算得出每種方法抓對幾個。代價是所有分布都是我設定的，所以先把設定攤開。

分析單位是「一個帳號一個月」。每個帳號用三個特徵描述：勝率，也就是每 100 手贏幾個大盲注；決策節奏的變異係數，真人想牌的時間忽長忽短，數字大，程式很穩定，數字小；每天在線時數。帳號分成三群：

另外四個前提：

• 自動化帳號會贏，但贏得比強手少。這是刻意的設定：如果它們勝率最高，只看勝率就抓得到，實驗就沒有意義。想長期獲利的作弊者，也有理由不要贏得太顯眼。
• 偽裝只改行為，不改勝率。偽裝程度從 0 到 1，自動化帳號的節奏與在線時數，按比例從表中「偽裝 0」那一列移到「偽裝 1」那一列。
• 警示名額固定 2%，也就是 2,040 個帳號裡最可疑的 41 個。調查團隊一天能看的案子有限，在同樣的人力下比較誰抓得準，才公平。
• 每個設定換 30 組亂數種子重跑，取平均，避免哪一次剛好運氣好。

思路與程式碼

程式分三步：造資料、三種方法各自打分數、在同樣的名額下看抓到誰。

第一步是造資料，把上面那張表寫成程式。勝率和節奏用常態分布抽；在線時數用對數常態分布，因為它有長尾，大部分人玩一兩個小時，少數人掛很久。mimicry 就是偽裝程度，自動化帳號的節奏與在線時數，是機器分布和真人分布按這個比例的加權。

import numpy as np
import pandas as pd
from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler

N_PLAYERS, N_REGULARS, N_BOTS = 1950, 60, 30
BUDGET = 0.02
SEEDS = range(30)
MIMICRY = [round(x, 1) for x in np.linspace(0, 1, 11)]


def simulate(rng: np.random.Generator, mimicry: float) -> pd.DataFrame:
    def human(n, win_mu, win_sd):
        return pd.DataFrame({
            "win_rate": rng.normal(win_mu, win_sd, n),
            "rhythm_cv": rng.normal(0.80, 0.15, n).clip(0.05),
            "daily_hours": rng.lognormal(np.log(2.0), 0.45, n),
        })

    players = human(N_PLAYERS, -2.0, 6.0).assign(group="player")
    regulars = human(N_REGULARS, 9.0, 3.0).assign(group="regular")
    bots = pd.DataFrame({
        "win_rate": rng.normal(5.0, 3.0, N_BOTS),
        "rhythm_cv": (1 - mimicry) * rng.normal(0.15, 0.05, N_BOTS) + mimicry * rng.normal(0.80, 0.15, N_BOTS),
        "daily_hours": np.exp((1 - mimicry) * rng.normal(np.log(9.0), 0.2, N_BOTS)
                              + mimicry * rng.normal(np.log(2.0), 0.45, N_BOTS)),
    }).assign(group="bot")
    return pd.concat([players, regulars, bots], ignore_index=True)

第二步是三種偵測方法，一種代表一層：

• 規則直接拿勝率當分數。
• 統計基準線把每個特徵換成穩健 z 分數，帳號的分數取三個特徵裡偏得最遠的那一個。這裡用中位數和 MAD（中位數絕對離差）取代平均和標準差，因為極端值正是要找的對象，不能讓它們把尺度撐大；乘上 1.4826，是讓 MAD 在常態分布下和標準差對齊。
• 行為模型把三個特徵標準化後丟進 Isolation Forest。score_samples 的值越低越容易被孤立，所以取負號當可疑分數。

flag_top 是公平比較的關鍵：不管分數怎麼算，每種方法都只能挑分數最高的 41 個帳號。

def flag_top(scores: np.ndarray) -> np.ndarray:
    k = int(round(BUDGET * len(scores)))
    flagged = np.zeros(len(scores), dtype=bool)
    flagged[np.argsort(-scores)[:k]] = True
    return flagged


def run(mimicry: float, seed: int) -> dict:
    rng = np.random.default_rng(seed)
    df = simulate(rng, mimicry)
    rule = flag_top(df["win_rate"].to_numpy())
    feats = df[["win_rate", "rhythm_cv", "daily_hours"]]
    med = feats.median()
    mad = (feats - med).abs().median() * 1.4826
    baseline = flag_top(((feats - med) / mad).abs().max(axis=1).to_numpy())
    X = StandardScaler().fit_transform(df[["win_rate", "rhythm_cv", "daily_hours"]])
    iso = IsolationForest(n_estimators=200, random_state=seed).fit(X)
    model = flag_top(-iso.score_samples(X))
    out = {}
    for name, flagged in (("rule", rule), ("baseline", baseline), ("model", model)):
        hits = df.loc[flagged, "group"].value_counts()
        out[name] = {
            "recall": float(hits.get("bot", 0) / N_BOTS),
            "alerts_bot": int(hits.get("bot", 0)),
            "alerts_regular": int(hits.get("regular", 0)),
            "alerts_player": int(hits.get("player", 0)),
        }
    return out

第三步是掃過 11 個偽裝程度，每個跑 30 次，算兩個數字：每種方法平均抓到幾成的自動化帳號（召回率），以及對手不偽裝時，41 個名額分別給了哪一群人。整個實驗在一般筆電上大約跑一分鐘。

rows = [{"mimicry": m, "seed": s, "detector": d, **v}
        for m in MIMICRY for s in SEEDS for d, v in run(m, s).items()]
res = pd.DataFrame(rows)

# Recall (%) by mimicry level: share of the 30 automated accounts each detector catches
print((100 * res.groupby(["mimicry", "detector"])["recall"].mean().unstack()).round(1))
# Who fills the 41 alerts when the automated accounts do not disguise themselves
print(res[res.mimicry == 0].groupby("detector")[["alerts_bot", "alerts_regular", "alerts_player"]].mean())

結果

把印出來的數字畫成圖：

左邊回答「哪一層比較準」。對手不偽裝時，只看勝率的規則在 41 個名額裡，平均抓到 14 個強手常客、26 個一般玩家，自動化帳號不到 1 個。原因不難理解：在這個設定裡，自動化帳號的勝率不錯，但沒有好到最頂端；真正贏最多的是打得好的人，和運氣好的人。統計基準線平均抓到 29 個，行為模型抓到全部 30 個。

換成實務上常用的指標：41 個名額裡真正是作弊帳號的比例（precision@41），規則約 1%，基準線約 71%，行為模型約 73%。對手不偽裝時，簡單的基準線已經拿到大部分的效果。

右邊回答「模型多做的那一步值多少」。對手開始偽裝後，差距才出現：偽裝程度 30% 時，行為模型抓到八成，基準線不到六成。原因是基準線一次只看一個特徵，每個特徵都只偏一點點的帳號，它看不出來；Isolation Forest 看的是組合，三個「有點怪」加在一起就被切出來了。但偽裝到 50%，模型也只剩三成；到 100%，三種方法都抓不到。

回到一開始想驗證的三件事，三件都成立。第一，只看勝率的規則，41 個名額平均有 40.6 個給了真人。第二，對手不偽裝時，基準線平均抓到 29.3 個，模型抓到 30 個，差不到 1 個。第三，模型的領先在偽裝 30% 時最明顯，之後一路縮小，到 100% 時三種方法都抓不到。

這是模擬，數字本身沒有意義，別拿去推論任何真實平台。值得帶走的是驗證的方式：先寫下想證明什麼，把假設攤開，再讓程式回答。你也可以改設定自己試，例如把自動化帳號的勝率調到比強手高，或把名額從 2% 放寬到 5%，看看三個結論哪一條先倒。

異常偵測專案落地的五個決定：名額與特徵比換模型更關鍵

上面的實驗把問題簡化了。真的要在一個平台、一家銀行或一條產線上做異常偵測，資料科學的工作大多花在模型以外。我把它整理成五個決定，順序大致就是專案的順序。

決定一：一筆資料是什麼，名額有多少

第一個要定的是分析單位：一個帳號的一個月、一筆交易、一台設備的五分鐘。單位決定了特徵怎麼算，也決定了警示送出去時，調查的人拿到的是什麼。單位切太細，雜訊多、警示多；切太粗，事情發生了很久才看得到。

第二個是名額：調查團隊一天看得完幾件。這個數字比任何模型參數都重要，因為它直接決定門檻，也決定了評估方式。上面的實驗用 2% 當名額，就是在模擬這件事。

決定二：特徵，比換模型更有用

異常偵測的效果，大部分來自特徵。實務上常用的有四類：

• 和自己的過去比：這個月的下注金額，是這個帳號過去六個月平均的幾倍。
• 和同群比：同一個桌級、同一個地區、同一種設備型號裡，這個值排在哪裡。高手和新手的「正常」不一樣，分群後再比，誤報會少很多。
• 節奏與組合：比例、變異程度、時間間隔，以及幾個特徵一起出現的組合。實驗裡行為模型贏過基準線的地方，就在這一類。
• 關係：誰和誰常同桌、哪些帳號共用裝置或付款方式。串通這類問題，單看個人特徵抓不到，要用圖（graph）的方法看群體。

有一個陷阱要特別注意：特徵只能用當下拿得到的資料算。用整個月的資料去判斷月中的一筆交易，離線評估會很漂亮，上線後就失靈。這叫資料洩漏（data leakage），在異常偵測裡特別常見，因為事後確認的案例很容易被混進特徵裡。

決定三：方法，從最簡單的開始

異常偵測的方法大致分成幾個家族：

我的建議是從第一列開始。製造業用了幾十年的管制圖（control chart），本質上就是統計基準線；在實驗裡，它也拿到了大部分的效果。先讓基準線上線、累積調查結果，再決定要不要換更複雜的方法。複雜的方法要贏的，是基準線抓不到的那一塊，而這一塊要有資料才量得出來。

決定四：沒有標籤，怎麼知道好不好

這是異常偵測最難的地方，也是它和一般分類問題最不一樣的地方。實務上通常組合三種做法：

• 用名額評估：看 precision@k，也就是送出去的 k 件裡有幾件是真的。調查團隊的時間有限，這個數字最貼近他們的感受。
• 注入合成異常：把已知形態的異常放進正常資料，看抓回來幾成。上面的實驗就是這個做法，它能量召回率，但只量得到你想像得到的異常。
• 用時間切開回測：拿過去確認過的案例，只用當時拿得到的資料重跑，看能不能提早抓到。

等確認案例累積起來，可以畫 precision-recall 曲線來比較方法。在這種極度不平衡的資料上，ROC 曲線看起來會過度樂觀；Saito 和 Rehmsmeier 2015 年的研究建議，不平衡資料優先看 precision-recall 曲線。

決定五：上線之後，解釋、監控、回饋

模型上線只是開始。三件事決定它能不能活下去：

• 給理由：每一筆警示附上「是哪幾個特徵讓它分數高」。調查員看得懂理由，才會信任警示；用 SHAP 這類方法可以算出每個特徵的貢獻。這直接對應前面講的那個問題：誤報一多，現場就不信任。
• 監控三個數字：每天的警示量、調查後的命中率、主要特徵的分布有沒有漂移。警示量突然掉下來，不一定是世界變乾淨了，可能是對手換了方法。
• 把調查結果變成標籤：每一件調查完的案子，都是一筆標籤。標籤夠了，就能從無監督走向半監督、再走向監督式；新的確認手法，則先寫成規則當天補上。

所以成熟的系統通常三種同時在跑：規則補新手法，監督式模型抓見過的，無監督模型守著沒見過的。

這五個決定，也就是文章開頭那張架構圖裡，每一個方框背後真正的工作。

邊界一：異常只代表「值得調查」，誤報太多會摧毀現場信任

圖 2 左邊還有一個容易漏看的地方：行為模型的 41 個名額裡，除了 30 個自動化帳號，還有大約 10 個一般玩家。

他們沒有作弊，只是行為不常見：有人打得特別久，有人節奏特別穩。Chandola 的綜述講得很直接：正常和異常的邊界通常不精確，靠近邊界的異常觀測，可能其實是正常的。

這在實務上的代價很具體。我做製造和風控時都遇過：誤報一多，現場就不信任。警示響十次有八次是誤會，第九次就沒人看了。門檻設在哪裡，最後是業務決策：你願意為了多抓一個老千，去打擾多少個正常玩家。

所以偵測系統的輸出，是一張「值得調查的名單」；判決要等調查。從名單到認定作弊，中間要有人工調查補上證據。GGPoker、888poker、WPT Global 公開的處置，都是調查之後的封號與退款，這一步省不掉。

邊界二：對手會模仿人類節奏，模型必須靠人工調查回饋持續重訓

第二個邊界在圖 2 右邊，也寫在同一篇綜述裡：當異常來自惡意行為，對手會調整自己，讓異常看起來正常。

自動化帳號的作者也看得到平台的公告。今天平台說「太一致會被抓」，明天的程式就會加入隨機的停頓、刻意的失誤、合理的在線時間。

我在風控專案裡最深的體會之一就是這個：對手會適應，模型會過期。詐騙的方式改了，上個月有效的特徵這個月就失效；模型要持續重訓，也要監控它抓到的東西是不是越來越少。

這也是為什麼規則和模型必須並存。規則好解釋、上線快，新手法一確認，當天就能補一條；模型抓沒見過的組合，但需要時間累積資料。兩者分工，再加上人工調查把新案例回饋回去，才是會跟著對手一起變的系統。

結語：從賭場抓老千到銀行防盜刷，守住風控靠的是「三層篩選＋調查回饋」閉環

把賭場拿掉，這套邏輯幾乎原封不動地出現在別的地方：

• 銀行抓盜刷：和這張卡過去的消費比，和同類持卡人比。
• 電商抓假帳號：註冊、登入、下單的節奏太規律。
• 工廠抓設備異常：GPU 使用率、對外連線數偏離基準線。這正是我在〈工廠邊緣設備被植入挖礦木馬怎麼辦？真實入侵復盤＋AI Coding 資安做法（2026）〉裡，事後才補上的那道警示。

它們共用同一組條件：標籤少、正常行為會變、對手會適應、誤報有代價。差別只在誤報的代價由誰承擔。

賭場抓老千，看的是一個人像不像自己、像不像人。

AI 讓作弊變便宜，也讓「像人」越來越容易偽造。偵測方能守住的，是一套會更新的流程：三層篩選、人工判定、結果回饋。少了任何一段，系統都只會越來越準確地抓錯人。

如果想看異常基準線在真實事故裡少了會怎樣，可以接著讀〈工廠邊緣設備被植入挖礦木馬怎麼辦？真實入侵復盤＋AI Coding 資安做法（2026）〉。

方法與限制

• 實驗為模擬資料，三個特徵與各群分布都是作者設定，目的是說明機制，不代表任何真實平台的資料或偵測效果。
• 「偽裝程度」只改決策節奏與在線時數，不改勝率；真實的對手可能同時調整更多面向。
• 三種偵測方式拿到相同的警示名額（2%）；名額改變，結果也會改變。基準線只和全體比，沒有和帳號自己的過去比。完整程式碼列在「模擬實驗驗證：不偽裝時基準線已抓到 97.8%，對手開始偽裝才需要行為模型」一節，照順序貼進同一個檔案即可重現圖 2 的數字。

常見問題

什麼是異常偵測（anomaly detection）？

找出不符合預期正常行為的模式，這是 Chandola 等人 2009 年綜述的定義。重心在「正常」：你列不出所有作弊或詐騙手法，但能描述正常的樣子，再把離正常太遠的挑出來。銀行抓盜刷、電商抓假帳號、工廠抓設備異常，用的都是同一套邏輯。

Isolation Forest（孤立森林）是什麼？

一種異常偵測方法：隨機切資料，越容易被單獨切出來的點，越可能是異常。2008 年提出它的論文指出，訓練資料裡完全沒有異常樣本時它也能運作，正好對上標籤幾乎沒有的現實。它看的是特徵組合，幾個「有點怪」加在一起就會被切出來。

沒有標籤，怎麼評估異常偵測模型？

一開始先把已知形態的異常注入正常資料，看抓回幾成，但只量得到想像得到的異常。人工調查開始確認案例後，看 precision@k：送去調查的 k 件裡有幾件是真的；也能拿確認過的案例，只用當時拿得到的資料重跑回測。確認案例累積後，不平衡的資料優先看 precision-recall 曲線。

被異常偵測標記，就代表作弊嗎？

不代表。偵測系統輸出的是一張值得調查的名單，判決要等人工調查補上證據。行為不常見的真人，例如打得特別久、節奏特別穩，也會被標記；誤報一多，現場就不再信任警示。門檻設在哪裡，最後是業務決策：願意為多抓一個老千，打擾多少個正常玩家。

延伸閱讀

• 工廠邊緣設備被植入挖礦木馬怎麼辦？真實入侵復盤＋AI Coding 資安做法（2026）
• LLM Eval 怎麼做才不會被騙？跑越多組，第一名越可能只是運氣（2026 實驗設計懶人包）
• AI 會寫 SQL 了，還需要學 Data Science 嗎？（2026 完整解析）

參考資料

• Noam Brown, Tuomas Sandholm (2019-07-11). Superhuman AI for multiplayer poker. Science.
• MIT Technology Review (2019-07-11). Facebook's new poker-playing AI could wreck the online poker industry—so it's not being released.
• Varun Chandola, Arindam Banerjee, Vipin Kumar (2009). Anomaly Detection: A Survey. ACM Computing Surveys 41(3).
• Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou (2008). Isolation Forest. ICDM 2008.
• Pokerfuse (2020-10-07). GGPoker Reimburses Over 4,000 Players Following Recent RTA Bans（數字引自 GGPoker 官方公告）.
• Pokerfuse (2024-01-18). 888poker Refunded $350k to Players Affected by Bots in 2023（數字由 888poker 提供）.
• Pokerfuse (2025-06-26). WPT Global Shares First-Ever Cheating Report.
• John McDonald, Valve (2018). Robocalypse Now: Using Deep Learning to Combat Cheating in Counter-Strike: Global Offensive. GDC 2018（Valve 開發者 wiki 列表）；成案率數字經二手來源確認：Edgegap, Anti-Cheat Deep Dive: Counter-Strike: Global Offensive.
• Dallmeier (2019-04-03). 'Best New Product' Award @ WGPC 2019（廠商新聞稿）.
• Markus M. Breunig et al. (2000). LOF: Identifying Density-Based Local Outliers. SIGMOD 2000.
• NIST/SEMATECH. e-Handbook of Statistical Methods, 6.3 Univariate and Multivariate Control Charts.
• Takaya Saito, Marc Rehmsmeier (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. PLOS ONE.
• Scott Lundberg, Su-In Lee (2017). A Unified Approach to Interpreting Model Predictions. NeurIPS 2017.
• scikit-learn. Novelty and Outlier Detection（2026-10-14 檢視）.
• 全國法規資料庫. 中華民國刑法第 266 條（2022-01-12 修正公布）.