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

该研究提出了一个适用于领域特定约束条件的框架（称为 FaSTMAN），以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性，使我们能够在更小而密集的网络流中分配复杂查询。最后，基于这些查询，我们可以有效地识别可疑流动的网络。在对来自多个大型欧洲银行的超过 10 亿个交易数据集进行了广泛评估后，结果表明我们的框架在效率和实用性上具有明显的优势。

Sep, 2023

电信行业因欺诈而在全球范围内损失了 463 亿美元。本文提出了一种工业化的解决方案，采用自适应数据挖掘技术和大数据技术来准确、高效和具有成本效益地检测欺诈，并发现新的欺诈模式。该解决方案已成功地检测出少于 5% 的虚假阳性的国际收入分成欺诈。本研究使用了一家有声望的批发运营商和海外电信中转运营商超过 1TB 的通话详单记录。

Oct, 2023

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

本研究介绍了澳大利亚联邦银行人工智能实验室开发的基于深度学习自然语言处理（NLP）模型的新系统，旨在识别和控制使用新支付平台非法通信、家庭暴力等行为，提高银行服务的安全性和稳定性。

Mar, 2023

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。

Apr, 2018

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

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

通过分析金融账户之间的关系，本研究探讨了使用个性化 PageRank 算法来捕捉欺诈的社会动态。结果表明，将个性化 PageRank 算法融入欺诈检测模型可以提高预测能力，并且该算法的重要性得分较高，特征稳定性分析确认训练和测试数据集之间的特征分布一致。

Feb, 2024

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