Apr, 2018

基于流式主动学习策略的信用卡实时欺诈检测：评估与可视化

PDF
TL;DR本文研究了信用卡欺诈检测的问题，提出了一些主动学习的策略，并比较了不同的查询标准，强调了在欺诈检测中主动学习存在探索 / 开发的权衡。
credit card fraud detectionstreaming dataactive learningsupervisedunsupervised
发现论文，激发创造
  • 奇异感知机器学习在流媒体服务中的滥用和欺诈检测

    本文提出了一个基于流媒体用户行为建模的欺诈和滥用检测框架，通过创建用户行为模型发现异常和可疑事件，并以此来扩大调查工作的规模。我们研究了半监督和监督方法来检测异常现象，最终使用机器学习方法实现了欺诈和滥用检测。

    Mar, 2022

  • 基于深度神经网络和 K - 最近邻的信用卡欺诈检测组合

    该论文介绍了一种基于欠采样算法、K 最近邻算法和深度神经网络的新技术，用于识别信用卡欺诈交易，并通过表现评估表明，DNN 模型具有高精度（98.12%），具有较好的欺诈交易检测能力。

    May, 2022

  • 基于集成的主动异常检测

    本文提出了在异常检测应用中使用可配置的主动学习算法来优化检测过程，通过采用集成学习模型、使用紧凑描述、改进实例的多样性、正确检测数据漂移，实现了降低假正例率且不损失检测率的目的。

    Sep, 2018

  • SCARFF：使用 Spark 进行可扩展的流式信用卡欺诈检测框架

    本文介绍了一种利用大数据工具（Kafka、Spark 和 Cassandra）和机器学习方法集成处理欺诈检测的框架 SCARFF。在真实的信用卡交易大数据集上进行实验，结果表明该框架能够有效地处理交易流，并且具有高扩展性和准确性。

    Sep, 2017

  • 深度强化学习在支付欺诈中的应用

    该研究借助强化学习的思想，将欺诈检测问题转化成一个序列决策问题，并探索了不同奖励函数的效果，其性能基于深度 Q 学习算法在两个公开欺诈数据集上进行了评估与比较。

    Dec, 2021

  • 在线信用卡支付欺诈检测异 常检测方法的比较评估

    本研究探讨了异常检测方法在不平衡学习任务中的应用，重点关注使用真实的在线信用卡支付数据进行欺诈检测。我们评估了几种最近的异常检测方法的性能，并与标准监督学习方法进行比较。我们的发现表明，LightGBM 在所有评估指标上表现明显优于其他方法，但对分布变化更敏感。此外，我们的调查还发现，LightGBM 也能够捕获大部分异常检测方法所发现的欺诈行为，这一观察挑战了使用集成方法结合监督学习和异常检测方法以提高性能的潜在益处。总之，本研究为这些技术在实际场景中的实用性提供了实质性的见解，展示了 LightGBM 在欺诈检测中的优势，并突显了与分布变化相关的挑战。

    Dec, 2023

  • 基于子空间学习的一类分类的信用卡欺诈检测

    利用基于子空间学习的 OCC 算法来处理信用卡欺诈检测的挑战，解决数据高度不平衡和维度灾难问题，减少欺诈交易带来的财务损失。

    Sep, 2023

  • 使用 Bfloat 16 在信用卡欺诈检测中训练机器学习算法以增加可扩展性的新方法

    本研究着重研究使用机器学习检测银行信用卡欺诈的可扩展性。我们比较了现有的机器学习算法和方法与新提出的技术，并证明采用较少的比特数来训练机器学习算法将导致一个更具可扩展性，时间和成本更少的系统。

    Jun, 2022

  • 使用先进的 Transformer 模型进行信用卡欺诈检测

    通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择，本研究致力于创新应用于更可靠和精确的欺诈检测，通过与多个广泛采用的模型进行性能比较，包括支持向量机（SVM），随机森林，神经网络和逻辑回归等，比较指标如 Precision，Recall 和 F1 Score，结果表明 Transformer 模型在传统应用中表现出色，并在欺诈检测等领域展示了巨大潜力，为该领域带来实质性进展。

    Jun, 2024

  • 基于深度单类分类的主动异常检测

    通过结合积极学习和半监督学习方法，本文提出了一种新的查询策略，以及使用噪声对比估计来有效地训练单类分类模型，从而改善异常检测过程和性能。

    Sep, 2023