KDDAug, 2018

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

PDF
TL;DR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。
online frauddeep learningbehavioral datarnnmtf
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 GRU 中心三明治结构模型进行交易欺诈检测

    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。

    Nov, 2017

  • 金融欺诈检测的文本数据挖掘：深度学习方法

    使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

    Aug, 2023

  • 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

  • 基于表格金融数据的信用风险监控的序列深度学习

    本文提出了一种新的信用风险评估方法，采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术，优于现有的基于树模型的方法，能够实现显著的金融节约和更早的信用风险检测。

    Dec, 2020

  • 商铺交易预测的多流 RNN

    本文提出了一种多流 RNN 模型，可以预测数字支付系统中多步商家交易的未来统计数据，其性能优于现有的最前沿方法。

    Jul, 2020

  • 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

  • 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

  • 基于递归神经网络的因果关系驱动增量多点触控归因

    本文描述了一个实用的多点触控归因（MTA）系统，用于数字广告发行商。实现该系统的方法包括响应模型和信用分配模型使用循环神经网络和 Shapley Values 方法。

    Feb, 2019

  • SAFE: 面向欺诈早期检测的神经生存分析模型

    本文提出了一种基于生存分析的欺诈早期检测模型 (SAFE)，该模型采用递归神经网络 (RNN) 处理用户活动序列，并直接在每个时间戳上输出危险值，然后，从危险值衍生出生存概率，以实现一致的预测。实验结果表明 SAFE 在两个真实世界数据集上优于其他技术。

    Sep, 2018