本研究通过强化学习技术,使用离线学习策略,基于历史数据,针对银行问题,寻找最优信用卡额度调整策略,使用双 Q 学习代理可以优于其他策略,生成反映决策复杂性的最优决策策略,通过数据驱动方法而非仅仅依靠专家驱动系统进行决策。
Jun, 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
本文研究了使用增强学习来动态选择并加权选择多个学习模型的效果,在此基础上提出了优化和校准方法,并将其应用于安全策略的迁移,结果显示该方法具有高度的鲁棒性。
Sep, 2022
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
本文探讨了对付欺诈检测系统的对抗攻击与对付其他机器学习应用的对抗攻击不同的原因,并就如何解决这一问题提出了建议。
Jul, 2023
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
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
全球金融犯罪活动推动了欺诈预防中对机器学习解决方案的需求。然而,由于对意外泄露和对抗性攻击的担忧,预防系统通常被独立地提供给金融机构,并且几乎没有数据共享的规定。我们在本文中提出了一个从隐私角度设计、在最近的 PETs 奖励竞赛中获奖的合作深度学习框架,用于欺诈预防。我们利用不同长度交易序列的潜在嵌入表示以及局部差分隐私来构建一个安全地通知外部托管的欺诈和异常检测模型的数据发布机制。我们在由大型支付网络捐赠的两个分布式数据集上评估了我们的贡献,并展示了对流行的推断时攻击的鲁棒性,以及类似于替代应用领域的效用 - 隐私权衡。
Jan, 2024
对四个量子机器学习模型在金融欺诈检测中进行了比较研究,证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能,F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络(QNN)和采样器 QNN 展示了有前景的结果,推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制,但所得到的见解为未来的改进和优化策略铺平了道路。然而,现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案,并为量子机器学习在欺诈检测领域做出了新的贡献,对其未来发展具有重要意义。
Aug, 2023
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