KDDAug, 2019

使用对抗自编码神经网络探测潜空间中的会计异常

PDF
TL;DR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。
fraud detectionaccounting datadeep learningadversarial autoencoder networksanomaly assessment
发现论文，激发创造
  • 使用深度自动编码器网络检测大规模会计数据中的异常

    本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

    Sep, 2017

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 通过对潜空间进行对抗性学习扰动进行异常检测

    本文提出了一种对抗框架，由 Adversarial Distorter 和 Autoencoder 两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。

    Jul, 2022

  • 使用深度自动编码神经网络在明文中泄露敏感财务会计数据

    本研究旨在介绍利用深度混编技术进行欺诈性数据泄露的威胁模型，该模型可以将敏感会计数据隐藏在日常图像中，并且可以通过深度学习模型进行训练，而且可以规避当前的计算机辅助审计技术。本文在两个公开的实际支付数据集上进行了定量和定性的评估。

    Dec, 2020

  • 利用逐层自编码器进行敌对样本检测与分析

    本研究提出了一种基于目标网络隐藏层数据表示的机制来检测对抗性样本，该机制训练了目标网络中间层的单独的自编码器，可以描述真实数据的流形，从而判断一个给定的例子是否具有与真实数据相同的特征，并探究对抗性样本在深度神经网络层中的行为。实验结果表明，我们的方法在监督和无监督环境中表现优于现有技术水平。

    Jun, 2020

  • 通过对抗性双自编码器实现异常检测

    介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

    Feb, 2019

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 基于自编码器潜变量分析的脑部细微异常检测：对新发帕金森患者的应用

    利用无监督学习中的基于 Patch 的自编码器，设计出两个用于检测潜在异常信息的检测标准，与两个监督式学习的方法相比较，这两个标准在难度较大的 PD 分类任务上的表现更佳。

    Feb, 2023

  • 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

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023