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

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

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

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

通过生成预训练方法，获得金融交易的上下文嵌入表示，以提高卡片欺诈检测问题的价值检测率，并在不同领域中得到很好的迁移效果。

Jan, 2024

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

本文提出了一种基于分层可解释网络和迁移学习框架的跨域电子商务欺诈检测方法，该方法以用户的时序行为历史数据为基础，不仅能够提高欺诈检测的性能，同时还能够使推理过程可解释。同时，它也能够通过在已有域中转移知识来应对新的领域中数据收集的限制，并且将此通用的迁移框架拓展到不同的现有模型中，适用于各种交嵌多层感知机。

Jan, 2022

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

通过混合架构，将概率模型中的隐藏状态序列提取为特征向量，从而在恶意软件检测中取得了比其他流行技术更好的结果。

Jul, 2023

本研究探讨了用于合成表格数据的生成模型训练，特别是在连续上下文中，如信用卡交易数据，它面临着重大挑战。本文解决了这些挑战，重点在于实现数据的高保真度和机器学习任务的最佳效用。我们引入了五个预处理方案来增强条件概率自回归模型 (CPAR) 的训练，展示了合成数据保真度和效用的渐进改进。在达到令人满意的保真度水平后，我们将注意力转向针对时间序列数据进行定制的欺诈检测模型的训练，评估合成数据的效用。我们的发现为金融领域的合成数据实践者提供了有价值的见解和实用指南，从真实数据过渡到合成数据用于训练，并阐明了合成信用卡交易时间序列的更广泛方法。

Jan, 2024