AAAIJan, 2021

可解释的深度行为序列聚类技术用于交易欺诈检测

PDF
TL;DR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。
financial servicesdeep learningbehavior data representationfraudulent transactionsclustering
发现论文，激发创造
  • 使用层次化可解释网络对用户行为序列进行建模，实现跨领域欺诈检测

    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

  • DETECT: 基于深度轨迹聚类的行动轨迹分析

    本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。

    Mar, 2020

  • 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

    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

  • 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

  • 阿里巴巴电商推荐中的行为序列变换器

    该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

    May, 2019

  • 基于层次轨迹表示的船舶行为预测聚类

    通过事先定义的规则和阈值识别离散船舶行为的传统方法，未能准确表征轨迹演变。为了解决这个问题，我们提出了一种预测聚类分层船舶行为的方法（PC-HiV），通过应用预测聚类和潜在编码，在实际的 AIS 数据集上展示 PC-HiV 在捕捉船舶类型间和在排放控制区内的行为演变差异方面的优越性，其纯度评分相较于 NN-Kmeans 和 Robust DAA 提高了 3.9% 和 6.4%。

    Mar, 2024

  • 运用多透视隐马尔可夫模型实现信用卡欺诈检测自动化特征工程

    使用多个透镜 (Hidden Markov Model) 和随机森林 (Random Forest classifier) 的多视图特征工程方法，以检测信用卡欺诈，可提供具有更高检测率的特征集，具有与专家基于特征工程策略相比的优势。

    Sep, 2019

  • 基于行为信息聚合网络 (BIAN) 的大规模金融社交网络欺诈用户检测

    本文提出了一种新的行为信息聚合网络（BIAN），它结合了用户的行为和其他用户特征，通过相邻边缘属性分布，即金融社交网络的用户行为，来聚合邻居，从而改善了现有图神经网络在金融欺诈检测方面的不足，实验结果表明，与现有的最先进模型相比，BIAN 在真实的大规模金融社交网络数据集 DGraph 上获得了 10.2% 的 AUROC 增益

    Nov, 2022

  • 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

  • 基于表示学习和基于组的训练的无监督驾驶行为分析

    本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

    May, 2022