基于网络的内部交易异常检测
本文介绍了一种利用深度学习结合离散信号处理的方法，从大量异构结构化和非结构化数据中主动检测和预测非法内部交易，并利用树形图可视化方法来帮助分析师理解大量非结构化数据。应用结果表明，该方法能够成功检测非法内幕交易模式。
Jul, 2018
提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。
Oct, 2017
本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。
Aug, 2021
本研究使用图神经网络和非广义熵在全球金融市场中探测异常，研究发现高度相关资产的复杂结构在危机中减少，并且在危机前、中和后，非广义熵参数下的异常数目存在统计差异。
Aug, 2023
本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。
Feb, 2022
使用深度半监督异常检测技术 Deep SAD，本研究旨在评估其在高频金融数据中检测欺诈行为的有效性，通过利用蒙特利尔的 TMX 交易所的专有限价订单簿数据和少量真实标记的欺诈实例，我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准确性。
Aug, 2023
网络入侵和网络威胁的早期检测是网络安全的主要支柱之一。本文提出通过对网络流量进行预处理，提取新的基于图论的指标，从而更高效地检测网络攻击，并克服传统方法的一些局限性。实验证实，该方法不仅能够克服传统方法的局限性，还能够实现更好的网络威胁检测能力。
Feb, 2024
本文介绍了一种新型入侵和异常检测方法 Anomal-E，它采用了基于 Graph Neural Networks 的自监督学习的方法，利用网络流量中的边部特征和拓扑结构来实现，同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网络流量监测中采用 GNN 的方法。
Jul, 2022
本文提出了一种基于事件驱动的交易策略，通过从新闻文章中检测公司事件来预测股票走势，并通过检测到的事件在文章级别上获取暂时的股票错定价，实现了超越市场基准的交易回报率。
May, 2021