Nov, 2017

使用 GRU 中心三明治结构模型进行交易欺诈检测

PDF
TL;DR研究了一个新的 “内部 -> 之间 -> 内部” 三明治结构的序列学习架构，通过堆叠集成方法、深度顺序学习方法和另一个顶层集成分类器来提高欺诈检测目的的性能，同时引入了注意机制来进一步提高分类效果。
fraud detectiondata miningsequence learningensemble methodattention mechanism
发现论文，激发创造
  • 交替序列循环神经网络用于欺诈检测

    使用循环神经网络作为实时欺诈检测系统，以短计算时间和少量能源资源实现了比现有技术更准确的多序列特征自由欺诈检测，节约了数百万美元。

    Feb, 2020

  • 使用深度学习和马尔可夫转移场进行的在线欺诈检测中的序列行为数据处理

    本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

    Aug, 2018

  • 利用自适应图神经网络进行交易欺诈检测

    本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

    Jul, 2023

  • 走向基础采购模型：事务序列上的预训练生成自回归

    通过生成预训练方法，获得金融交易的上下文嵌入表示，以提高卡片欺诈检测问题的价值检测率，并在不同领域中得到很好的迁移效果。

    Jan, 2024

  • 基于时空感知图变换器的交易欺诈检测

    本文提出了一种名为 STA-GT 的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

    Jul, 2023

  • 运用多透视隐马尔可夫模型实现信用卡欺诈检测自动化特征工程

    使用多个透镜 (Hidden Markov Model) 和随机森林 (Random Forest classifier) 的多视图特征工程方法，以检测信用卡欺诈，可提供具有更高检测率的特征集，具有与专家基于特征工程策略相比的优势。

    Sep, 2019

  • 规模化生成预训练：基于 Transformer 的交易行为编码用于欺诈检测

    介绍了一种创新的自回归模型，利用了 Generative Pretrained Transformer (GPT) 架构，专为支付系统中的欺诈检测而设计。我们的方法创新性地解决了令牌爆炸问题，并通过时间和上下文分析重构行为序列，提供了对交易行为的细致理解。利用无监督预训练，我们的模型在特征表示方面表现突出，无需有标签的数据。此外，我们整合了一种差分卷积方法来增强异常检测，提高了中国最大在线支付商的安全性和效果。我们模型的可扩展性和适应性在各种交易背景下有着广泛的适用性。

    Dec, 2023

  • 使用层次化可解释网络对用户行为序列进行建模，实现跨领域欺诈检测

    本文提出了一种基于分层可解释网络和迁移学习框架的跨域电子商务欺诈检测方法，该方法以用户的时序行为历史数据为基础，不仅能够提高欺诈检测的性能，同时还能够使推理过程可解释。同时，它也能够通过在已有域中转移知识来应对新的领域中数据收集的限制，并且将此通用的迁移框架拓展到不同的现有模型中，适用于各种交嵌多层感知机。

    Jan, 2022

  • 一种结合门控循环单元（GRU）和支持向量机（SVM）的神经网络体系结构，用于网络流量数据中的入侵检测

    本文通过 Gated Recurrent Unit 对 2013 年京都大学蜜罐系统的网络流量数据进行二进制分类，将线性支持向量机替换为 GRU 模型最终输出层的 Softmax 函数， cross-entropy 函数也将替换为基于边缘的函数，结果显示 GRU - SVM 模型的性能相对较高，并且 SVM 在预测时间上优于 Softmax。

    Sep, 2017

  • 可解释的深度行为序列聚类技术用于交易欺诈检测

    本文提出了一种基于深度学习的行为数据表征方法，用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列，并使用基于时间注意力的双向 LSTM 以无监督的方式学习序列嵌入，与风险专家生成的直观特征结合，形成混合特征表征。利用工程优化的 GPU 加速算法，该方法能够在几分钟内对亿万级交易进行聚类并检测欺诈交易。实验结果表明，该方法能够捕捉到漏报的欺诈性交易，并可应用于实时欺诈检测。

    Jan, 2021