Mar, 2018

用于欺诈检测的单类对抗网络

PDF
TL;DR使用 LSTM 自编码器和一类对抗网络构建了一种只需要单一良性用户数据集进行欺诈检测的模型，该模型通过学习良性用户的在线活动序列来检测恶意用户，实验表明，该模型表现优于现有一类分类模型，并且与基于多样本的 LSTM 模型具有可比性。
fraud detectiononline activityone-class adversarial netslstm-autoencodergan model
发现论文，激发创造
  • 使用单类神经网络进行异常检测

    本文提出了一种一类神经网络（OC-NN）模型，该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标，从而可以检测复杂数据集中的异常值，实验证明该方法表现良好。

    Feb, 2018

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • 旧而有为：重新定义对抗学习一类分类器训练范式

    本研究提出了一种基于对抗模型的异常检测框架，利用生成器和鉴别器来实现高效和稳健的异常检测，通过将鉴别器的基本角色从区分真假数据转变为区分良好和劣质的重建，使检测器能够更好地检测到异常输入中经常出现的细微畸变，经过对 Caltech-256 和 MNIST 图像数据集以及 UCSD Ped2 视频数据集的实验，该方法均取得了优越的结果。

    Apr, 2020

  • 通过生成对抗网络在在线社交媒体中检测虚假账户

    本文提出了一种使用 GAN 算法通过 Twitter 数据集计算用户之间的相似度，以识别和检测假用户账户的新方法，并实验结果表明，该方法的准确率能够达到 98.1％。

    Oct, 2022

  • 移动众感知中基于生成对抗网络的对抗任务检测

    本文提出了一种基于 GAN 的模型，通过将 GAN 判别器与二元分类器相结合，预防对手伪造任务，从而检测智能设计的非法传感服务请求。模拟结果表明，与单层二元分类器相比，提出的方法将对抗攻击检测率从 0% 提高到 97.5%，提高了三个二元分类器的原始攻击检测率。

    Feb, 2022

  • 使用生成对抗网络检测欺诈评论

    本文提出了一种名为 FakeGAN 的系统，它是在文本分类任务中首次采用生成对抗网络（GANs）进行增强，用于检测欺骗性评论。通过使用两个鉴别器模型和一个生成模型，FakeGAN 避免了模式崩溃的问题， 并在 TripAdvisor 酒店评论数据集上表现出与现有监督学习方法相当的性能。

    May, 2018

  • 一类卷积神经网络

    通过使用中心为零的高斯噪声作为伪负类，并使用交叉熵损失函数来训练网络，学习一个良好的表示以及给定类的决策边界，我们提出了一种基于卷积神经网络的新型一类分类方法。该方法的一个关键特点是任何预训练的卷积神经网络都可以用作一个类分类的基本网络，经过大量实验比较，该方法在一类应用问题（如用户身份验证、异常检测和新颖性检测）方面取得了显著的改进。

    Jan, 2019

  • 检测来自伪像的对抗性样本

    本文介绍了一种利用深度学习神经网络中 Bayesian 不确定性估计和密度估计的方法，可以实现对于对抗样本的检测，具有很好的泛化性能，并在标准分类任务上取得了 85-93% 的 ROC-AUC 表现。

    Mar, 2017

  • 使用对抗自编码神经网络探测潜空间中的会计异常

    本研究提出了使用对抗自编码网络来检测会计数据中的欺诈行为，该方法可以学习到现实世界会计分录的语义表示，从而提高了检测方法的可解释性和准确性。实验证明该方法的有效性。

    Aug, 2019

  • 恶意标注和污染攻击下的主动学习

    本文介绍了一种高效的主动学习方法，它结合了敌对再训练技术，可以生成更多的人工标注数据集而不增加标注预算，产生的敌对样本也提供了一种测量模型易受攻击的方式。作者在减小的 CIFAR-10 数据集上对其性能进行了充分评估，得出该方法有效对抗恶意袭击的结论。

    Jan, 2021